机器学习:在Android中集成TensorFlow (深度学习,AI,人工智能,DL,ML,神经网络)

众所周知，google谷歌有一个名为TensorFlow的开源库，可用来在Android中实现机器学习。

TensorFlow是一个由google谷歌提供的机器智能开源软件库。我在网上搜索了很多关于在Android端 构建 TensorFlow的简单简单方法和简单demo，都一无所获。在阅读了众多资源后，我总算可以构建成功了。然后我决定写下这篇博客，以便其他人不用花费太多时间。

本篇Demo——图像分类器，是取材于google谷歌官方的TensorFlow的Demo。

阅读这篇文章，你需要已经熟悉机器学习，并且知道如何为机器学习构建相关的模型（在这个Demo里我暂时用一套预训练模型）。不久之后，我将要写下关于机器学习的一系列文章，以便所有人都可以学习如何来为机器学习构建模型。

开启Android机器学习 构建之门

你需要了解一些重要的点：

* TensorFlow的核心是用C++编写的。

* 为了在Android中构建，我们不得不使用JNI(Java Native Interface)来调用C++函数，例如loadModel, getPredictions等等。

* 我们将使用一个jar包和一个.so动态链接库文件，前者里面由调用native C++的JAVA API构成，后者是C++编译的so文件。然后我们可以仅通过调用JAVA API来把事情搞定。

* 因此，请注意，我们需要一个jar文件(JAVA API)和一个.so文件(C++编译好)

* 我们必须还有2个东西：提前训练的模型文件(.pb)，用来分类的标签文件(.txt)。

我们将构建一个如下图的物体探测器：

接下来，让我们构建jar文件和.so文件

执行如下命令：

git clone --recurse-submodules  https://github.com/tensorflow/tensorflow.git[/code] 
注意：–recurse-submodules 非常重要，用来下拉子模块的代码。

需要使用官方推荐的NDK r12b来构建so, 太新或太旧的版本都会有问题，如果你没有NDK r12b,请在这里下载.

如果你不用r12b编译，你就会遇到各种各样的错误。

如果你是全新玩家，那么你当然还需要下载Android SDK了，或者采用Android Studio 下载的Android SDK也可以，后面我们需要的是SDK的路径。

你需要了解谷歌的构建工具Bazel，它是TensorFlow的首席构建工具。你可以在这里安装Bazel。

当你对Bazel有所了解之后：

现在，编辑WORKSPACE文件，我们可以在之前clone下来的TensorFlow的根路径里找到WORKSPACE文件。

# Uncomment and update the paths in these entries to build the Android demo.
#android_sdk_repository(
#    name = "androidsdk",
#    api_level = 23,
#    build_tools_version = "25.0.1",
#    # Replace with path to Android SDK on your system
#    path = "<PATH_TO_SDK>",
#)
#
#android_ndk_repository(
#    name="androidndk",
#    path="<PATH_TO_NDK>",
#    api_level=14)


将以上文件内容改为我们自己的sdk、ndk的路径：

android_sdk_repository(
name = "androidsdk",
api_level = 23,
build_tools_version = "25.0.1",
# Replace with path to Android SDK on your system
path = "/Users/xxx/Library/Android/sdk/",
)

android_ndk_repository(
name="androidndk",
path="/Users/xxx/Downloads/android-ndk-r13/",
api_level=14)


下一步，构建.so文件，执行如下命令：

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


其中的
armeabi-v7a
参数可以换成你所需的目标cpu架构。

构建完成后，.so文件将在如下路径生成：

bazel-bin/tensorflow/contrib/android/libtensorflow_inference.so


接着构建JAVA jar文件：

bazel build //tensorflow/contrib/android:android_tensorflow_inference_java


jar文件在如下路径生成：

bazel-bin/tensorflow/contrib/android/libandroid_tensorflow_inference_java.jar


现在我们同时拥有了jar文件和.so文件了。

如果你构建失败了，可以直接从这里可以下载demo工程，里面都有构建好的文件。

但是我们还需要预训练模型文件和标签文件。

在这个demo里，我们使用Google提供的预训练模型文件，这个文件用来从已有的图片中检测物体(图像识别)。

在这里下载模型文件。

下载完zip包解压缩，得到2个文件：

* imagenet_comp_graph_label_strings.txt(物体的标签文件)

* tensorflow_inception_graph.pb (预训练模型文件).

现在我们使用Android Studio来创建一个样例工程。把.pb、.txt这2个文件放入assets文件夹。

将生成的jar包，放入libs文件，在build.gradle中加入：

compile files('libs/libandroid_tensorflow_inference_java.jar')


在main目录创建jniLibs文件夹，把编译好的.so文件放进
jniLibs/armeabi-v7a/
路径

到现在为止，我们就可以调用TensorFlow的JAVA API了。

TensorFlow的JAVA层API通过TensorFlowInferenceInterface来暴露所有需要的方法。

我们需要先通过模型路径装载模型，才能进一步调用这些JAVA API。

并且，我们可以提供输入图像，来得到识别的结果。

上面已经说过了，想图省事，直接clone现成的项目，看看代码，编译运行即可。