TensorFlow IOS调用

iOS相比Android移植TensorFlow没那么方便，要用C++来编写，接下来讲一下iOS调用TensorFlow的过程。

• 引入依赖

在Podfile中加入pod 'TensorFlow-experimental'，再在terminal中cd进项目目录输入pod install即可安装依赖。

• 复制PB文件

快速开发的话直接把PB文件放在data文件夹里就行，如果正式上线的时候觉得PB文件一起打包较大的话可以放在服务器，打开APP的时候提示下载再复制进去就好。

• 引入头文件、命名空间

#import <opencv2/imgcodecs/ios.h>
#include "tensorflow/cc/ops/const_op.h"
#include "tensorflow/core/framework/op_kernel.h"
#include "tensorflow/core/public/session.h"
#include <tensorflow/core/kernels/reshape_op.h>
#include <tensorflow/core/kernels/argmax_op.h>

using namespace tensorflow;
using namespace tensorflow::core;

• 处理数据

图像处理相比于Android的bitmap操作还是较为麻烦，iOS需要用到opencv，所以还需要引入opencv的依赖，通过cv的UIImageToMat方法吧UIImage转成cv::Mat再进行矩阵操作（类似：灰度处理、归一化、平展）

UIImage *image = [UIImage imageNamed:@"OOLU8095571.jpg"];
    self.preImageView.contentMode = UIViewContentModeRedraw;
    UIImageToMat(image,cvMatImage);
    cvMatImage.convertTo(cvMatImage, CV_32F, 1.0/255., 0);//归一化
    cv::Mat reshapeMat= cvMatImage.reshape(0,1);//reshape
    NSString* inference_result = RunModel(reshapeMat);
    self.urlContentTextView.text = inference_result;

RunModel(reshapeMat)就是把处理过的数据传递给TensorFlow去运算了。

• 定义常量

这里跟Android差不多，定义一些必要的常量，输入输出节点，输出输出节点数据，图像尺寸、通道等

    std::string input_layer = "inputs/X";
    std::string output_layer = "output/predict";
    tensorflow::Tensor x(
                         tensorflow::DT_FLOAT,
    tensorflow::TensorShape({wanted_height*wanted_width}));
    std::vector<tensorflow::Tensor> outputs;    
    const int wanted_width = 256;
    const int wanted_height = 64;
    const int wanted_channels = 1;

• 创建session

这里跟Android不同，需要手动创建session

    tensorflow::SessionOptions options;
    
    tensorflow::Session* session_pointer = nullptr;
    tensorflow::Status session_status = tensorflow::NewSession(options, &session_pointer);
    if (!session_status.ok()) {
        std::string status_string = session_status.ToString();
        return [NSString stringWithFormat: @"Session create failed - %s",
                status_string.c_str()];
    }
    std::unique_ptr<tensorflow::Session> session(session_pointer);

• 载入graph

    tensorflow::GraphDef tensorflow_graph;
    NSString* network_path = FilePathForResourceName(@"rounded_graph", @"pb");
    PortableReadFileToProto([network_path UTF8String], &tensorflow_graph);
    
    tensorflow::Status s = session->Create(tensorflow_graph);
    if (!s.ok()) {
        LOG(ERROR) << "Could not create TensorFlow Graph: " << s;
        return @"";
    }

其中FilePathForResourceName是返回graph的地址

NSString* FilePathForResourceName(NSString* name, NSString* extension) {
    NSString* file_path = [[NSBundle mainBundle] pathForResource:name ofType:extension];
    if (file_path == NULL) {
        LOG(FATAL) << "Couldn't find '" << [name UTF8String] << "."
           << [extension UTF8String] << "' in bundle.";
    }
    return file_path;
}

PortableReadFileToProto是把graph读到内存中并赋值给tensorflow_graph，并使用session->Create(tensorflow_graph)把graph载入到session中。

• 输入数据的类型转换

输入到TensorFlow的数据不能是mat类型的所以进行mat转vector操作

    vector<float> Vmat;
    Vmat.assign ( ( float* )ImageMat.datastart, ( float* )ImageMat.dataend );
    auto dst = x.flat<float>().data();
    auto img = Vmat;
    std::copy_n(img.begin(), wanted_width*wanted_height, dst);

• run session

tensorflow::Status run_status = session->Run({{input_layer, x}},
                                                 {output_layer}, {}, &outputs);
    if (!run_status.ok()) {
        LOG(ERROR) << "Running model failed: " << run_status;
        tensorflow::LogAllRegisteredKernels();
        result = @"Error running model";
        return result;
    }

• 数据变换

使用operator方法获取到tensor中的每一个元素值，重新赋值给array。

auto outputMatrix = outputs[0].flat<int64>();
    array<long,11> outputArray;
    for(int i=0;i<11;i++){
        outputArray[i]=outputMatrix.operator()(i);
    }
NSString *predictionstr = vec2text(outputArray);

获取完之后需要对数据进行处理，比如我们做的vector转text。

NSString* vec2text(array<long,11> outputArray) {
    std::stringstream ss;
    ss.precision(12);
    ss <<"Prediction:";
    for(int i=0;i<11;i++){
        long char_idx=outputArray[i];
        long char_code = 0;
        if (char_idx<10){
            char_code = char_idx + int('0');
        }
        else if (char_idx<36){
            char_code = char_idx-10 + int('A');
        }
        else if (char_idx<62){
            char_code = char_idx + int('a');
        }
        ss << char(char_code);
    }
    tensorflow::string predictions = ss.str();
    NSString* result = [NSString stringWithFormat: @"%s",
              predictions.c_str()];
    return result;
}

iOS调用TensorFlow的基础运用就这样，高级用法可以使用MemoryMappedModel，这种方法会比较节省内存，更加优雅。