• 编译libtensorflow_inference.so

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libandroid_tensorflow_inference_java.jar

bazel build //tensorflow/contrib/android:android_tensorflow_inference_java 

TensorFlow供给了Android开辟的示例框架，下面基于AlexNet模型的看花识名APP做一些响应源码的修改，并编译生成Android的安装包：

• 基于AlexNet模型，修改Inference的输入、输出的Tensor名称

private static final String INPUT_NAME = "input"; 
 
private static final String OUTPUT_NAME = "alexnet_v2/fc8/squeezed";  

• 放置quantized_alexnet_v2_graph.pb和对应的labels.txt文件到assets目次下，并修改Android文件路径

private static final String MODEL_FILE = "file:///android_asset/quantized_alexnet_v2_graph.pb"; 
 
private static final String LABEL_FILE = "file:///android_asset/labels.txt";  

• 编译生成安装包

bazel build -c opt //tensorflow/examples/android:tensorflow_demo 

• 拷贝tensorflow_demo.apk到手机上，并履行安装，太阳花辨认效不雅如下图所示：(点击放大年夜图像)

在Android体系中履行TensorFlow Inference操作，须要调用libandroid_tensorflow_inference_java.jar中的JNI接口，重要接口如下：

• 构建TensorFlow Inference对象，构建该对象时刻会加载TensorFlow动态链接库libtensorflow_inference.so到体系中;参数assetManager为android asset治理器;参数modelFilename为TensorFlow模型文件在android_asset中的路径。

TensorFlowInferenceInterface inferenceInterface = new 
 
TensorFlowInferenceInterface(assetManager, modelFilename);  

• 向TensorFlow图中加载输入数据，本App中输入数据为摄像头朝长进步到的图片;参数inputName为TensorFlow Inference中的输入数据Tensor的名称;参数floatValues为输入图片的像素数据，进行预处理后的浮点值;[1,inputSize,inputSize,3]为裁剪后图片的大年夜小，比如1张224*224*3的RGB图片。

inferenceInterface.feed(inputName, floatValues, 1, inputSize, inputSize, 3); 

• 履行模型推理; outputNames为TensorFlow Inference模型中要运算Tensor的名称，本APP中为分类的Logist值。

inferenceInterface.fetch(outputName, outputs); 

总结

本文基于看花识名APP，讲解了TensorFlow在Android智能终端中的应用技巧。起首回想了AlexNet模型构造，基于AlexNet的slim模型对Flowers数据进行练习;对练习后的CheckPoint数据，进行Freeze和Quantized处理，生成智能终端要用的Inference模型。然后介绍了TensorFlow Android应用开辟情况的构建，编译生成TensorFlow在Android上的动态链接库以及java开辟包;文┞仿最后介绍了Inference API的应用方法。

【编辑推荐】

1. 云计算深度进修平台架构与实践的必经之路
2. 安闲大年夜神经收集，测试比较TensorFlow、MXNet、CNTK、Theano四个框架
3. 深度进修目标检测模型周全综述：Faster R-CNN、R-FCN和SSD
    3/4   首页 上一页 1 2 3 4 下一页 尾页
   
   

   　　推荐阅读

   　　从0开始的微服务架构：（一）重识微服务架构

   【沙龙】51CTO诚邀您9月23号和多位技巧大年夜咖一路聊智能CDN的优化之路，抓紧时光哦！对于我小我，我更爱好一种延续性的解释，微办事架构 ≈ 模块化开辟 + 分布式计算。不管微办事架构的定义怎么>>>详细阅读

   
   

   本文标题：深度学习利器：TensorFlow在智能终端中的应用

   地址：http://www.17bianji.com/lsqh/37558.html

    1/2    1