将tensorflow训练好的模型移植到Android (MNIST手写数字识别)

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/79672257

项目Github下载地址：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo ，麻烦给个“star”哈

       本博客将以最简单的方式，利用TensorFlow实现了MNIST手写数字识别，并将Python TensoFlow训练好的模型移植到Android手机上运行。网上也有很多移植教程，大部分是在Ubuntu(Linux)系统，一般先利用Bazel工具把TensoFlow编译成.so库文件和jar包，再进行Android配置，实现模型移植。不会使用Bazel也没关系，实质上TensoFlow已经为开发者提供了最新的.so库文件和对应的jar包了（如libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar），我们只需要下载文件，并在本地Android Studio导入jar包和.so库文件，即可以在Android加载TensoFlow的模型了。 

      当然了，本博客的项目代码都上传到Github：https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo

      先说一下，本人的开发环境：

• Windows 7
• Python3.5
• TensoFlow 1.6.0（2018年3月23日—当前最新版）
• Android Studio 3.0.1（2018年3月23日—当前最新版）

一、利用Python训练模型

   以MNIST手写数字识别为例，这里首先使用Python版的TensorFlow实现单隐含层的SoftMax Regression分类器，并将训练好的模型的网络拓扑结构和参数保存为pb文件。首先，需要定义模型的输入层和输出层节点的名字（通过形参 'name'指定，名字可以随意，后面加载模型时，都是通过该name来传递数据的）：

x = tf.placeholder(tf.float32,[None,784],name='x_input')#输入节点：x_input...pre_num=tf.argmax(y,1,output_type='int32',name="output")#输出节点：output

PS：说一下鄙人遇到坑：起初，我参照网上相关教程训练了一个模型，在Windows下测试没错，但把模型移植到Android后就出错了，但用别人的模型又正常运行；后来折腾了半天才发现，是类型转换出错啦！！！！
TensorFlow默认类型是float32，但我们希望返回的是一个int型，因此需要指定output_type='int32'；但注意了，在Windows下测试使用int64和float64都是可以的，但在Android平台上只能使用int32和float32,并且对应Java的int和float类型。

 将训练好的模型保存为.pb文件，这就需要用到tf.graph_util.convert_variables_to_constants函数了。

# 保存训练好的模型#形参output_node_names用于指定输出的节点名称,output_node_names=['output']对应pre_num=tf.argmax(y,1,name="output"),output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def,output_node_names=['output'])with tf.gfile.FastGFile('model/mnist.pb', mode='wb') as f:#’wb’中w代表写文件，b代表将数据以二进制方式写入文件。    f.write(output_graph_def.SerializeToString())

   关于tensorflow保存模型和加载模型的方法，请参考本人另一篇博客：https://blog.csdn.net/guyuealian/article/details/79693741

   这里给出Python训练模型完整的代码如下：

#coding=utf-8# 单隐层SoftMax Regression分类器：训练和保存模型模块from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tffrom tensorflow.python.framework import graph_utilprint('tensortflow:{0}'.format(tf.__version__))mnist = input_data.read_data_sets("Mnist_data/", one_hot=True)#create modelwith tf.name_scope('input'):    x = tf.placeholder(tf.float32,[None,784],name='x_input')#输入节点名：x_input    y_ = tf.placeholder(tf.float32,[None,10],name='y_input')with tf.name_scope('layer'):    with tf.name_scope('W'):        #tf.zeros([3, 4], tf.int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]        W = tf.Variable(tf.zeros([784,10]),name='Weights')    with tf.name_scope('b'):        b = tf.Variable(tf.zeros([10]),name='biases')    with tf.name_scope('W_p_b'):        Wx_plus_b = tf.add(tf.matmul(x, W), b, name='Wx_plus_b')    y = tf.nn.softmax(Wx_plus_b, name='final_result')# 定义损失函数和优化方法with tf.name_scope('loss'):    loss = -tf.reduce_sum(y_ * tf.log(y))with tf.name_scope('train_step'):    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)    print(train_step)# 初始化sess = tf.InteractiveSession()init = tf.global_variables_initializer()sess.run(init)# 训练for step in range(100):    batch_xs,batch_ys =mnist.train.next_batch(100)    train_step.run({x:batch_xs,y_:batch_ys})    # variables = tf.all_variables()    # print(len(variables))    # print(sess.run(b))# 测试模型准确率pre_num=tf.argmax(y,1,output_type='int32',name="output")#输出节点名：outputcorrect_prediction = tf.equal(pre_num,tf.argmax(y_,1,output_type='int32'))accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))a = accuracy.eval({x:mnist.test.images,y_:mnist.test.labels})print('测试正确率：{0}'.format(a))# 保存训练好的模型#形参output_node_names用于指定输出的节点名称,output_node_names=['output']对应pre_num=tf.argmax(y,1,name="output"),output_graph_def = graph_util.convert_variables_to_constants(sess, sess.graph_def,output_node_names=['output'])with tf.gfile.FastGFile('model/mnist.pb', mode='wb') as f:#’wb’中w代表写文件，b代表将数据以二进制方式写入文件。    f.write(output_graph_def.SerializeToString())sess.close()

上面的代码已经将训练模型保存在model/mnist.pb，当然我们可以先在Python中使用该模型进行简单的预测，测试方法如下：

import tensorflow as tfimport numpy as npfrom PIL import Imageimport matplotlib.pyplot as plt#模型路径model_path = 'model/mnist.pb'#测试图片testImage = Image.open("data/test_image.jpg");with tf.Graph().as_default():    output_graph_def = tf.GraphDef()    with open(model_path, "rb") as f:        output_graph_def.ParseFromString(f.read())        tf.import_graph_def(output_graph_def, name="")    with tf.Session() as sess:        tf.global_variables_initializer().run()        # x_test = x_test.reshape(1, 28 * 28)        input_x = sess.graph.get_tensor_by_name("input/x_input:0")        output = sess.graph.get_tensor_by_name("output:0")        #对图片进行测试        testImage=testImage.convert('L')        testImage = testImage.resize((28, 28))        test_input=np.array(testImage)        test_input = test_input.reshape(1, 28 * 28)        pre_num = sess.run(output, feed_dict={input_x: test_input})#利用训练好的模型预测结果        print('模型预测结果为：',pre_num)        #显示测试的图片        # testImage = test_x.reshape(28, 28)        fig = plt.figure(), plt.imshow(testImage,cmap='binary')  # 显示图片        plt.title("prediction result:"+str(pre_num))        plt.show()

二、移植到Android

    相信大家看到很多大神的博客，都是要自己编译TensoFlow的so库和jar包，说实在的，这个过程真TM麻烦，反正我弄了半天都没成功过，然后放弃了……。本博客的移植方法不需要安装Bazel，也不需要构建TensoFlow的so库和jar包，因为Google在TensoFlow github中给我们提供了，为什么不用了！！！

1、下载TensoFlow的jar包和so库

    TensoFlow在Github已经存放了很多开发文件：https://github.com/PanJinquan/tensorflow

   我们需要做的是，下载Android: native libs ，打包下载全部文件，其中有我们需要的libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar，有了这两个文件，剩下的就是在Android Studio配置的问题了

2、Android Studio配置

（1）新建一个Android项目

（2）把训练好的pb文件（mnist.pb）放入Android项目中app/src/main/assets下，若不存在assets目录，右键main->new->Directory，输入assets。

（3）将下载的libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar如下结构放在libs文件夹下

（4）app\build.gradle配置

    在defaultConfig中添加

   multiDexEnabled true        ndk {            abiFilters "armeabi-v7a"        }

    增加sourceSets

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

    在dependencies中增加TensoFlow编译的jar文件libandroid_tensorflow_inference_java.jar：

    compile files('libs/libandroid_tensorflow_inference_java.jar')

   OK了，build.gradle配置完成了，剩下的就是java编程的问题了。

3、模型调用

  在需要调用TensoFlow的地方，加载so库“System.loadLibrary("tensorflow_inference");并”import org.tensorflow.contrib.android.TensorFlowInferenceInterface;就可以使用了

     注意，旧版的TensoFlow，是如下方式进行，该方法可参考大神的博客：https://www.jianshu.com/p/1168384edc1e

TensorFlowInferenceInterface.fillNodeFloat(); //送入输入数据TensorFlowInferenceInterface.runInference();  //进行模型的推理TensorFlowInferenceInterface.readNodeFloat(); //获取输出数据

     但在最新的libandroid_tensorflow_inference_java.jar中，已经没有这些方法了，换为

TensorFlowInferenceInterface.feed()TensorFlowInferenceInterface.run()TensorFlowInferenceInterface.fetch()

     下面是以MNIST手写数字识别为例，其实现方法如下：

package com.example.jinquan.pan.mnist_ensorflow_androiddemo;import android.content.res.AssetManager;import android.graphics.Bitmap;import android.graphics.Color;import android.graphics.Matrix;import android.util.Log;import org.tensorflow.contrib.android.TensorFlowInferenceInterface;public class PredictionTF {    private static final String TAG = "PredictionTF";    //设置模型输入/输出节点的数据维度    private static final int IN_COL = 1;    private static final int IN_ROW = 28*28;    private static final int OUT_COL = 1;    private static final int OUT_ROW = 1;    //模型中输入变量的名称    private static final String inputName = "input/x_input";    //模型中输出变量的名称    private static final String outputName = "output";    TensorFlowInferenceInterface inferenceInterface;    static {        //加载libtensorflow_inference.so库文件        System.loadLibrary("tensorflow_inference");        Log.e(TAG,"libtensorflow_inference.so库加载成功");    }    PredictionTF(AssetManager assetManager, String modePath) {        //初始化TensorFlowInferenceInterface对象        inferenceInterface = new TensorFlowInferenceInterface(assetManager,modePath);        Log.e(TAG,"TensoFlow模型文件加载成功");    }    /**     *  利用训练好的TensoFlow模型预测结果     * @param bitmap 输入被测试的bitmap图     * @return 返回预测结果，int数组     */    public int[] getPredict(Bitmap bitmap) {        float[] inputdata = bitmapToFloatArray(bitmap,28, 28);//需要将图片缩放带28*28        //将数据feed给tensorflow的输入节点        inferenceInterface.feed(inputName, inputdata, IN_COL, IN_ROW);        //运行tensorflow        String[] outputNames = new String[] {outputName};        inferenceInterface.run(outputNames);        ///获取输出节点的输出信息        int[] outputs = new int[OUT_COL*OUT_ROW]; //用于存储模型的输出数据        inferenceInterface.fetch(outputName, outputs);        return outputs;    }    /**     * 将bitmap转为（按行优先）一个float数组，并且每个像素点都归一化到0~1之间。     * @param bitmap 输入被测试的bitmap图片     * @param rx 将图片缩放到指定的大小（列）->28     * @param ry 将图片缩放到指定的大小（行）->28     * @return   返回归一化后的一维float数组 ->28*28     */    public static float[] bitmapToFloatArray(Bitmap bitmap, int rx, int ry){        int height = bitmap.getHeight();        int width = bitmap.getWidth();        // 计算缩放比例        float scaleWidth = ((float) rx) / width;        float scaleHeight = ((float) ry) / height;        Matrix matrix = new Matrix();        matrix.postScale(scaleWidth, scaleHeight);        bitmap = Bitmap.createBitmap(bitmap, 0, 0, width, height, matrix, true);        Log.i(TAG,"bitmap width:"+bitmap.getWidth()+",height:"+bitmap.getHeight());        Log.i(TAG,"bitmap.getConfig():"+bitmap.getConfig());        height = bitmap.getHeight();        width = bitmap.getWidth();        float[] result = new float[height*width];        int k = 0;        //行优先        for(int j = 0;j < height;j++){            for (int i = 0;i < width;i++){                int argb = bitmap.getPixel(i,j);                int r = Color.red(argb);                int g = Color.green(argb);                int b = Color.blue(argb);                int a = Color.alpha(argb);                //由于是灰度图，所以r,g,b分量是相等的。                assert(r==g && g==b);//                Log.i(TAG,i+","+j+" : argb = "+argb+", a="+a+", r="+r+", g="+g+", b="+b);                result[k++] = r / 255.0f;            }        }        return result;    }}

• 简单说明一下：项目新建了一个PredictionTF类，该类会先加载libtensorflow_inference.so库文件；PredictionTF(AssetManager assetManager, String modePath) 构造方法需要传入AssetManager对象和pb文件的路径；
•  从资源文件中获取BitMap图片，并传入 getPredict(Bitmap bitmap)方法，该方法首先将BitMap图像缩放到28*28的大小，由于原图是灰度图，我们需要获取灰度图的像素值，并将28*28的像素转存为行向量的一个float数组，并且每个像素点都归一化到0~1之间，这个就是bitmapToFloatArray(Bitmap bitmap, int rx, int ry)方法的作用；
•  然后将数据feed给tensorflow的输入节点，并运行(run)tensorflow，最后获取（fetch）输出节点的输出信息。

   MainActivity很简单，一个单击事件获取预测结果:

package com.example.jinquan.pan.mnist_ensorflow_androiddemo;import android.graphics.Bitmap;import android.graphics.BitmapFactory;import android.support.v7.app.AppCompatActivity;import android.os.Bundle;import android.util.Log;import android.view.View;import android.widget.ImageView;import android.widget.TextView;public class MainActivity extends AppCompatActivity {    // Used to load the 'native-lib' library on application startup.    static {        System.loadLibrary("native-lib");//可以去掉    }    private static final String TAG = "MainActivity";    private static final String MODEL_FILE = "file:///android_asset/mnist.pb"; //模型存放路径    TextView txt;    TextView tv;    ImageView imageView;    Bitmap bitmap;    PredictionTF preTF;    @Override    protected void onCreate(Bundle savedInstanceState) {        super.onCreate(savedInstanceState);        setContentView(R.layout.activity_main);        // Example of a call to a native method        tv = (TextView) findViewById(R.id.sample_text);        txt=(TextView)findViewById(R.id.txt_id);        imageView =(ImageView)findViewById(R.id.imageView1);        bitmap = BitmapFactory.decodeResource(getResources(), R.drawable.test_image);        imageView.setImageBitmap(bitmap);        preTF =new PredictionTF(getAssets(),MODEL_FILE);//输入模型存放路径，并加载TensoFlow模型    }    public void click01(View v){        String res="预测结果为：";        int[] result= preTF.getPredict(bitmap);        for (int i=0;i

<?xml version="1.0" encoding="utf-8"?>