将tensorflow训练好的模型移植到android

https://github.com/CrystalChen1017/TSFOnAndroid

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 tf
from tensorflow.python.client import graph_util

session = 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()

1



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

1



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

1



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']
}
}

1



在defaultConfig节点下添加

defaultConfig {

ndk {
abiFilters "armeabi"
}
}

1



在gradle.properties中添加下面一行

android.useDeprecatedNdk=true

1



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;
}

}

1



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<result.length;i++){
Log.i(TAG, "click01: "+result[i] );
}

}