tflite生成android,深度学习应用系列（三）| 使用 TFLite Android构建自己的图像识别App...

深度学习要想落地实践，一个少不了的路径即是朝着智能终端、嵌入式设备等方向发展。但终端设备没有GPU服务器那样的强大性能，那如何使得终端设备应用上深度学习呢？

所幸谷歌已经推出了TFMobile，去年又更进一步，推出了TFLite，其应用思路为在GPU服务器上利用迁移学习训练自己的模型，然后将定制化模型移植到TFLite上，

终端设备仅利用模型做前向推理，预测结果。本文基于以下三篇文章而成：

相信大家掌握后，也能轻松定制化自己的图像识别应用。

第一步. 准备数据

这是一个关于花分类的图片集合，下载解压后，可以看出有5个品种分类：daisy(雏菊)、dandelion(蒲公英)、rose(玫瑰)、sunflower(向日葵)、tulip(郁金香)。

我们的目的即是通过重新训练预编译模型，得到一个花类识别的模型。

第二步. 重新训练

1. 挑选预编译模型

从上述“谷歌提供的预编译模型”列表中，我们大体可以看出分为两类模型，一种是Float Models(浮点数模型)，一种是Quantized Models(量化模型)，什么区别呢？

其实Float Models表示为一种高精度值的模型，该模型意味着模型size较大，识别精度更高、识别时长更长，适合高性能终端设备；而Quantized Models则反之，是低精度值的模型，其精度采取固定的8位大小，故其模型size较小，识别精度低、识别时长较短，适合低性能终端设备，更细的说明可以参见 https://www.tensorflow.org/performance/quantization 　。

我们的手机设备更新换代很快，一般可以使用Float Models。在这个模型下，有不少预编译模型可选，对于本文来说，主要集中为Inception 和Mobilenet两种架构。

注意Mobilenet其实也分为很多种类，如Mobilenet_V1_0.50_224，其中第三个参数为模型大小比例值(只能算是近似，不准确)，分为0.25/0.50/0.75/1.0四个比例值，第四个参数为图片大小，其值有128/160/192/224四种值。

有兴趣想观察各模型层次结构的可通过以下代码查看：

import tensorflow as tfimport tensorflow.gfile as gfile

MODEL_PATH = '/home/yourname/Documents/mobilenet_v1_1.0_224/frozen_graph.pb'def main(unusedArgv):

with tf.Graph().as_default() as graph:

with gfile.FastGFile(MODEL_PATH, 'rb') as f:

graph_def = tf.GraphDef()

graph_def.ParseFromString(f.read())

tf.import_graph_def(graph_def, name='')    for op in graph.get_operations():        for tensor in op.values():