美文网首页
Python+Android进行TensorFlow开发

Python+Android进行TensorFlow开发

作者: 温驭臣 | 来源:发表于2018-12-03 13:54 被阅读0次

Tensorflow是Google开源的一套机器学习框架,支持GPU、CPU、Android等多种计算平台。本文将介绍在Tensorflow在Android上的使用。

Android使用Tensorflow框架需要引入两个文件libtensorflow_inference.so、libandroid_tensorflow_inference_java.jar。这两个文件可以使用官方预编译的文件。如果预编译的so不满足要求(比如不支持训练模型中的某些操作符运算),也可以自己通过bazel编译生成这两个文件。

将libandroid_tensorflow_inference_java.jar放在app下的libs目录下,so文件命名为libtensorflow_jni.so放在src/main/jniLibs目录下对应的ABI文件夹下。目录结构如下:

Android目录结构

同时在app的build.gradle中的dependencies模块下添加如下配置:

dependencies {

...

compile files('libs/libandroid_tensorflow_inference_java.jar')

...

}

使用tensorflow框架进行机器学习分为四个步骤:

构造神经网络

训练神经网络模型

将训练好的模型输出为pb文件

在Android上加载pb模型进行计算

前三步是模型的构造,我们通过python实现,下面给出了一个二分类的简单模型的构造过程,首先是训练过程:

# -*-coding:utf-8 -*-

from__future__importprint_function

importos

importtensorflowastf

fromnumpy.randomimportRandomState

os.environ['TF_CPP_MIN_LOG_LEVEL'] ='2'

"""

训练模型

"""

deftrain():

# 定义训练数据集batch大小为8

batch_size =8

# 定义神经网络参数,参数体现出神经网络结构,一个输入层,一个输出层,一个隐藏层

w1 = tf.Variable(tf.random_normal([2,3], stddev=1, seed=1), name="w1_val")

w2 = tf.Variable(tf.random_normal([3,1], stddev=1, seed=1), name="w2_val")

# 定义输入输出格式

x = tf.placeholder(tf.float32, shape=(None,2), name='x_input')

y_ = tf.placeholder(tf.float32, shape=(None,1))

# 定义神经网络前向传播过程

a = tf.matmul(x, w1)

y = tf.matmul(a, w2, name="cal_node")

# 定义交叉熵和反向传播算法

cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y,1e-10,1.0)))

train_step = tf.train.AdadeltaOptimizer(0.001).minimize(cross_entropy)

# 生成随机训练集

rdm = RandomState(1)

dataset_size =128

# 定义映射关系

X = rdm.rand(dataset_size,2)

Y = [[int(x1 + x2 <1)]for(x1, x2)inX]

withtf.Session()assess:

# 初始化所有参数

init_op = tf.global_variables_initializer()

sess.run(init_op)

# print sess.run(w1)

# print sess.run(w2)

STEPS =500

foriinrange(STEPS):

start = (i * batch_size) % dataset_size

end = min(start + batch_size, dataset_size)

# 训练神经网络,更新神经网络参数

sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})

ifi %100==0:

total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})

print("After %d training step(s), cross entropy on all data is %g"% (i, total_cross_entropy))

print(sess.run(w1))

print(sess.run(w2))

# 保存check point

saver = tf.train.Saver(tf.trainable_variables())

saver.save(sess,'./model/checpt')

上面的代码首先定义神经网络,初始化训练数据,进行500次训练过程,并将训练结果checkpoints保存到model文件夹下,checkpoints包含了训练模型得到的参数信息,共生成四个相关的文件,如下图:

checkpoint相关文件

由于checkpoint文件众多,为了方便使用,我们通过下面的代码将它们生成一个pb文件,在android上只需要这个pb文件即可使用这个训练好的模型:

"""

存储pb模型

"""

defdump_graph_to_pb(pb_path):

withtf.Session()assess:

check_point = tf.train.get_checkpoint_state("./model/")

ifcheck_point:

saver = tf.train.import_meta_graph(check_point.model_checkpoint_path +'.meta')

saver.restore(sess, check_point.model_checkpoint_path)

else:

raiseValueError("Model load failed from {}".format(check_point.model_checkpoint_path))

graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph.as_graph_def(),"cal_node".split(","))

withtf.gfile.GFile(pb_path,"wb")asf:

f.write(graph_def.SerializeToString())

拿到生成的pb模型,我们可以在android上使用了。将pb文件在这main/assets下:

接下来就可以载入pb,进行计算了:

publicclassMainActivityextendsAppCompatActivity{

privateGraph graph_;

privateSession session_;

privateAssetManager assetManager;

privatestaticExecutorService executorService;

privatestaticHandler handler;

@Override

protectedvoidonCreate(Bundle savedInstanceState){

super.onCreate(savedInstanceState);

setContentView(R.layout.activity_main);

executorService = Executors.newFixedThreadPool(5);

// 初始化tensorflow

initTensorFlow("outmodel.pb");

// 使用tensorflow进行计算

runTensorFlow();

}

...

}

通过如下方式载入pb模型,初始化tensorflow:

privateboolean initTensorFlow(String modelFile) {

assetManager = getAssets();

// 新建Graph

graph_ = new Graph();

InputStreamis=null;

try{

// 读取Assets pb文件

is= assetManager.open(modelFile);

}catch(IOException e) {

e.printStackTrace();

returnfalse;

}

try{

// 加载pb到Graph

TensorUtil.loadGraph(is, graph_);

is.close();

}catch(IOException e) {

e.printStackTrace();

returnfalse;

}

// 初始化session

session_ = new Session(graph_);

if(session_ ==null) {

returnfalse;

}

returntrue;

}

然后就可以使用tensorflow API进行运算了:

private void runTensorFlow() {

executorService.execute(generatePredictRunnable(handler));

}

private Runnable generatePredictRunnable(Handler handler) {

return new Runnable() {

@Override

public void run() {

float[][] input = new float[1][2];

input[0][0] = 1;

input[0][1] = 2;

// 定义输入tensor

Tensor inputTensor = Tensor.create(input);

// 指定输入,输出节点,运行并得到结果

Tensor resultTensor = session_.runner()

.feed("x_input", inputTensor)

.fetch("cal_node")

.run()

.get(0);

float[][] dst = new float[1][1];

resultTensor.copyTo(dst);

// 处理结果

ArrayListresultList = new ArrayList<>();

for (float val : dst[0]) {

if (val != 0) {

resultList.add(val);

} else {

break;

}

}

}

};

}

上面就是通过python训练机器学习模型,并在android平台进行调用的完整流程。

相关文章

网友评论

      本文标题:Python+Android进行TensorFlow开发

      本文链接:https://www.haomeiwen.com/subject/zgdycqtx.html