TensorFlow的android移植

把tensorflow克隆到本地

git clone --recurse-submodules https: //github.com/tensorflow/tensorflow.git

1.安装bazel.

bazel是 tensorflow工程的主要构建工具

下载bazel-0.5.4-installer-linux-x86_64.sh，执行即可

bazel的简介

http://www.jianshu.com/p/b2c41344c554

https://www.cnblogs.com/Jack47/p/build-in-the-cloud.html

2.下载NDK

最好下载 r12b版本的，最新的 r13b可能与 bazel有兼容问题。

3. 编辑Tensorflow根目录下的WORKSPACE文件

在WORKSPACE文件开头部分，修改android_ndk_repository部分

# Uncomment and update the paths in these entries to build the Android demo.
#android_sdk_repository(
#    name = "androidsdk",
#    api_level = 23,
#    # Ensure that you have the build_tools_version below installed in the
#    # SDK manager as it updates periodically.
#    build_tools_version = "25.0.2",
#    # Replace with path to Android SDK on your system
#    path = "/path/to/your/sdk",
#)

# Android NDK r12b is recommended (higher may cause issues with Bazel)
#android_ndk_repository(
#    name="androidndk",
#    path="/path/to/your/ndk",
#    # This needs to be 14 or higher to compile TensorFlow.
#    # Note that the NDK version is not the API level.
#    api_level=14)

这两部分定义了 SDK 和 NDK 的路径。把 /path/to/your 的部分改成相应的路径，然后将每一行前的注释去掉。

因为只需编译TensorFlowLite.so，不需要SDK，只需要NDK

5.编译

生成so库的命令:

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
生成的so库的位置：
bazel-bin/tensorflow/contrib/android/libtensorflow_inference.so

生成libtensorflowlite_jni.so

bazel build -c opt --cxxopt='--std=c++11'  //tensorflow/contrib/lite/java:libtensorflowlite_jni.so

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。

1. 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
2. 给输出数据命名为output,在android端需要用这个output来为获取输出的值
3. 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
4. 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。
5. 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
6. tf.gfile.FastGFile('model/cxq.pb', mode='wb')指定保存文件的路径以及读写方式
7. 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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

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