将tensorflow训练好的模型移植到android上

说明

本文将描述如何将一个训练好的模型植入到android设备上，并且在android设备上输入待处理数据，通过模型，获取输出数据。
通过一个例子，讲述整个移植的过程。（demo的源码访问github上了https://github.com/CrystalChen1017/TSFOnAndroid）
整体的思路如下：
1. 使用python在PC上训练好你的模型，保存为pb文件
2. 新建android project，把pb文件放到assets文件夹下
3. 将tensorflow的so文件以及jar包放到libs下
4. 加载库文件，让tensorflow在app中运行起来

准备

tensorflow的环境，参阅http://blog.csdn.net/cxq234843654/article/details/70857562
libtensorflow_inference.so
libandroid_tensorflow_inference_java.jar
如果要自己编译得到以上两个文件，需要安装bazel。参阅http://blog.csdn.net/cxq234843654/article/details/70861155 的第2步

以上两个文件通过以下两个网址进行下载：
https://github.com/CrystalChen1017/TSFOnAndroid/tree/master/app/libs
或者
http://download.csdn.net/detail/cxq234843654/9833372

PC端模型的准备

这是一个很简单的模型，输入是一个数组matrix1，经过操作后，得到这个数组乘以2*matrix1。

给输入数据命名为input,在android端需要用这个input来为输入数据赋值
给输输数据命名为output,在android端需要用这个output来为获取输出的值
不能使用 tf.train.write_graph()保存模型，因为它只是保存了模型的结构，并不保存训练完毕的参数值
不能使用 tf.train.saver()保存模型，因为它只是保存了网络中的参数值，并不保存模型的结构。
graph_util.convert_variables_to_constants可以把整个sesion当作常量都保存下来，通过output_node_names参数来指定输出
tf.gfile.FastGFile('model/cxq.pb', mode='wb')指定保存文件的路径以及读写方式
f.write（output_graph_def.SerializeToString()）将固化的模型写入到文件

# -*- coding:utf-8 -*-import tensorflow as tffrom tensorflow.python.client import graph_utilsession = tf.Session()matrix1 = tf.constant([[3., 3.]], name='input')add2Mat = tf.add(matrix1, matrix1, name='output')session.run(add2Mat)output_graph_def = graph_util.convert_variables_to_constants(session, session.graph_def,output_node_names=['output'])with tf.gfile.FastGFile('model/cxq.pb', mode='wb') as f:    f.write(output_graph_def.SerializeToString())session.close()

运行后就会在model文件夹下产生一个cxq.pb文件，现在这个文件将刚才一系列的操作固化了，因此下次需要计算变量乘2时，我们可以直接拿到pb文件，指定输入，再获取输出。

（可选的）bazel编译出so和jar文件

如果希望自己通过tensorflow的源码编译出so和jar文件，则需要通过终端进入到tensorflow的目录下，进行如下操作：

编译so库

bazel build -c opt //tensorflow/contrib/android:libtensorflow_inference.so \    -- crosstool_top=//external:android/crosstool \    -- host_crosstool_top=@bazel_tools//tools/cpp:toolchain \    -- cpu=armeabi-v7a

编译完毕后，libtensorflow_inference.so的路径为：
/tensorflow/bazel-bin/tensorflow/contrib/android

编译jar包

bazel build //tensorflow/contrib/android:android_tensorflow_inference_java

编译完毕后，android_tensorflow_inference_java.jar的路径为：
/tensorflow/bazel-bin/tensorflow/contrib/android

android端的准备

新建一个Android Project
把刚才的pb文件存放到assets文件夹下
将libandroid_tensorflow_inference_java.jar存放到/app/libs目录下，并且右键“add as Libary”
在/app/libs下新建armeabi文件夹，并将libtensorflow_inference.so放进去

配置app:gradle以及gradle.properties

在android节点下添加soureSets，用于制定jniLibs的路径

sourceSets {        main {            jniLibs.srcDirs = ['libs']        }    }

在defaultConfig节点下添加

defaultConfig {        ndk {            abiFilters "armeabi"        }    }

在gradle.properties中添加下面一行

android.useDeprecatedNdk=true

通过以上3步操作，tensorflow的环境已经部署好了。

模型的调用

我们先新建一个MyTSF类，在这个类里面进行模型的调用，并且获取输出

package com.learn.tsfonandroid;import android.content.res.AssetManager;import android.os.Trace;import org.tensorflow.contrib.android.TensorFlowInferenceInterface;public class MyTSF {    private static final String MODEL_FILE = "file:///android_asset/cxq.pb"; //模型存放路径    //数据的维度    private static final int HEIGHT = 1;    private static final int WIDTH = 2;    //模型中输出变量的名称    private static final String inputName = "input";    //用于存储的模型输入数据    private float[] inputs = new float[HEIGHT * WIDTH];    //模型中输出变量的名称    private static final String outputName = "output";    //用于存储模型的输出数据    private float[] outputs = new float[HEIGHT * WIDTH];    TensorFlowInferenceInterface inferenceInterface;    static {        //加载库文件        System.loadLibrary("tensorflow_inference");    }    MyTSF(AssetManager assetManager) {        //接口定义        inferenceInterface = new TensorFlowInferenceInterface(assetManager,MODEL_FILE);    }    public float[] getAddResult() {        //为输入数据赋值        inputs[0]=1;        inputs[1]=3;        //将数据feed给tensorflow        Trace.beginSection("feed");        inferenceInterface.feed(inputName, inputs, WIDTH, HEIGHT);        Trace.endSection();        //运行乘2的操作        Trace.beginSection("run");        String[] outputNames = new String[] {outputName};        inferenceInterface.run(outputNames);        Trace.endSection();        //将输出存放到outputs中        Trace.beginSection("fetch");        inferenceInterface.fetch(outputName, outputs);        Trace.endSection();        return outputs;    }}

在Activity中使用MyTSF类

 public void click01(View v){        Log.i(TAG, "click01: ");        MyTSF mytsf=new MyTSF(getAssets());        float[] result=mytsf.getAddResult();        for (int i=0;i"click01: "+result[i] );        }    }

将tensorflow训练好的模型移植到android