手把手教程：如何从零开始训练 TF 模型并在安卓系统上运行

本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型，将 tf.Keras 模型转换为 tflite 格式，并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类，并分享一些你可能会面临的常见问题。本教程着重于端到端的体验，我不会深入探讨各种 tf.Keras API 或 Android 开发。

下载我的示例代码并执行以下操作：

• 在 colab 中运行：使用 tf.keras 的训练模型，并将 keras 模型转换为 tflite（链接到 Colab notebook）。

• 在 Android Studio 中运行：DigitRecognizer（链接到Android应用程序）。

1.训练自定义分类器

加载数据

我们将使用作为tf.keras框架一部分的mnst数据。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

预处理数据

接下来，我们将输入图像从 28×28 变为 28x28x1 的形状，将其标准化，并对标签进行 one-hot 编码。

定义模型体系结构

然后我们将用 cnn 定义网络架构。

def create_model():

        # Define the model architecture

       model = keras.models.Sequential([

              # Must define the input shape in the first layer of the neural network

              keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(28,28,1)),

              keras.layers.MaxPooling2D(pool_size=2),

              keras.layers.Dropout(0.3),

keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'),

       keras.layers.MaxPooling2D(pool_size=2),

       keras.layers.Dropout(0.3),

keras.layers.Flatten(),

       keras.layers.Dense(128, activation='relu'),

       keras.layers.Dropout(0.5),

       keras.layers.Dense(10, activation='softmax')

])

# Compile the model

model.compile(loss=keras.losses.categorical_crossentropy,

       optimizer=keras.optimizers.Adam(),

       metrics=['accuracy'])

return model

训练模型

然后我们使用 model.fit（）来训练模型。

model.fit(x_train,

                y_train,

               batch_size=64,

               epochs=3,

               validation_data=(x_test, y_test))

2.模型保存和转换

训练结束后，我们将保存一个 Keras 模型并将其转换为 TFLite 格式。

保存一个 Keras 模型

下面是保存 Keras 模型的方法-

# Save tf.keras model in HDF5 format

keras_model = "mnist_keras_model.h5"

keras.models.save_model(model, keras_model)

将keras模型转换为tflite

当使用 TFLite 转换器将 Keras 模型转换为 TFLite 格式时，有两个选择- 1）从命令行转换，或 2）直接在 python 代码中转换，这个更加推荐。

1）通过命令行转换

$ tflite_convert /

$ –output_file=mymodel.tflite /

$ –keras_model_file=mymodel.h5

2）通过 python 代码转换

如果你可以访问模型训练代码，则这是转换的首选方法。

# Convert the model

flite_model = converter.convert()

# Create the tflite model file

tflite_model_name = "mymodel.tflite"

open(tflite_model_name, "wb").write(tflite_model)

你可以将转换器的训练后量化设置为 true。

# Set quantize to true

converter.post_training_quantize=True

验证转换的模型

将 Keras 模型转换为 TFLite 格式后，验证它是否能够与原始 Keras 模型一样正常运行是很重要的。请参阅下面关于如何使用 TFLite 模型运行推断的 python 代码片段。示例输入是随机输入数据，你需要根据自己的数据更新它。

# Load TFLite model and allocate tensors. interpreter = tf.contrib.lite.Interpreter(model_path="converted_model.tflite")

interpreter.allocate_tensors()

# Get input and output tensors

input_details = interpreter.get_input_details() output_details = interpreter.get_output_details()

# Test model on random input data

input_shape = input_details[0]['shape']

input_data = np.array(np.random.random_sample(input_shape),

dtype=np.float32) interpreter.set_tensor(input_details[0]['index'], input_data)

interpreter.invoke()

output_data = interpreter.get_tensor(output_details[0]['index'])

print(output_data)

ps：确保在转换后和将 TFLite 模型放到 Android 上面之前始终测试它。否则，当它在你的 Android 应用程序上不能工作时，你无法分清是你的 android 代码有问题还是 ML 模型有问题。

3.在 Android 上实现 tflite 模型

现在我们准备在 Android 上实现 TFLite 模型。创建一个新的 Android 项目并遵循以下步骤

1. 将 mnist.tflite 模型放在 assets 文件夹下

2. 更新 build.gradle 以包含 tflite 依赖项

3. 为用户创建自定义视图

4. 创建一个进行数字分类的分类器

5. 从自定义视图输入图像

6. 图像预处理

7. 用模型对图像进行分类

8. 后处理

9. 在用户界面中显示结果

Classifier 类是大多数 ML 魔术发生的地方。确保在类中设置的维度与模型预期的维度匹配：

• 28x28x1 的图像

• 10 位数字的 10 个类：0、1、2、3…9

要对图像进行分类，请执行以下步骤：

• 预处理输入图像。将位图转换为 bytebuffer 并将像素转换为灰度，因为 MNIST 数据集是灰度的。

• 使用由内存映射到 assets 文件夹下的模型文件创建的解释器运行推断。

• 后处理输出结果以在 UI 中显示。我们得到的结果有 10 种可能，我们将选择在 UI 中显示概率最高的数字。

过程中的挑战

以下是你可能遇到的挑战：

• 在 tflite 转换期间，如果出现「tflite 不支持某个操作」的错误，则应请求 tensorflow 团队添加该操作或自己创建自定义运算符。

• 有时，转换似乎是成功的，但转换后的模型却不起作用：例如，转换后的分类器可能在正负测试中以~0.5 的精度随机分类。（我在 tf 1.10 中遇到了这个错误，后来在 tf1.12 中修复了它）。

如果 Android 应用程序崩溃，请查看 logcat 中的 stacktrace 错误：

• 确保输入图像大小和颜色通道设置正确，以匹配模型期望的输入张量大小。

• 确保 in build.gradle aaptoptions 设置为不压缩 tflite 文件。

aaptOptions {

         noCompress "tflite"

}

总体来说，用 tf.Keras 训练一个简单的图像分类器是轻而易举的，保存 Keras 模型并将其转换为 TFLite 也相当容易。目前，我们在 Android 上实现 TFLite 模型的方法仍然有点单调，希望将来能有所改进。

via：https://medium.com/@margaretmz/e2e-tfkeras-tflite-android-273acde6588

雷锋网雷锋网雷锋网(公众号：雷锋网)

雷锋网版权文章，未经授权禁止转载。详情见。