文章学习《MobileNet教程：用TensorFlow搭建在手机上运行的图像分类器》

本文仅是博主为记录和加深印象所整理，有兴趣请阅读原文。

原文地址：

https://baijia.baidu.com/s?id=1574323979283055&wfr=pc&fr=ch_lst&utm_source=tuicool&utm_medium=referral

移动端运行神经网络成了明显的趋势，Google的MobileNet框架可以完成这样的功能。

MobileNet非常非常 小，快，准，易调试。

以前和现在，在移动端的深度学习网络都是在云端完成，比如将一幅图片通过网络发送到远程服务器进行分类，分类结果再返回手机。

随着手机计算能力增加，架构的改善网络复杂度的下降，以及对反应速度的要求，本地学习是跟好的选择。

1、MobileNets是什么

MobileNet是Google研究的一类卷积神经网络，计算消耗小，运行速度快，适合在移动端是做应用。

MobileNet结构上主要是将3x3的卷积层分为一个3x3深度方向的卷积和一个1x1点对点的卷积。

具体细节和原因在论文：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

https://arxiv.org/pdf/1704.04861.pdf

当然，好处总不能全让你占了，MobileNet的短板就是准确性不如那些大型的神经网络。但它是在功耗和性能中找到了良好的平衡点。

之后对比了 Inception V3和MobileNet的训练和识别过程，MobileNet更快，训练出的模型更小，但准确率要低。

训练好后，将模型应用到Android App中，

目标：

1 在很小的特定数据上重新训练MobileNet

2 测试集准确率达到95%以上

3 占用CPU要小于5%

训练是在电脑上完成的。

为了达到这些目标，我们的计划是：

1生成一个新的训练数据集；

2训练多个MobileNet结构，从而寻找所能够达到准确率目标（95%）的最小型网络；

使用Tensorflow中的Anfroid示例项目完成模型的搭载。可以从TensorFlow的repository下载这个Android示例项目：

git clone https://github.com/tensorflow/tensorflow.git –depth 1

具体的文件夹

tensorflow/examples/android。

用Android Studio打开这个文件夹，编译，然后把生成的APK安装包搭载到你的手机上，你就得到了一个搭载着在ImageNet数据集上训练出的Inception V3模型的图像分类器App，它能够准确地把猫咪跟鸭嘴兽区分开来。

3与在Android上运行的Inception V3做对比；

4将TensorFlow上Android example App中的模型替换为我们的MobileNet；

5大量的测试；

6进行调试，从而将CPU的占用调到5%以下。