怎么将tflite部署在安卓上_tensorflow从训练自定义CNN网络模型到Android端部署tflite...

网上有很多关于tensorflow lite在安卓端部署的教程，但是大多只讲如何把训练好的模型部署到安卓端，不讲如何训练，而实际上在部署的时候，需要知道训练模型时预处理的细节，这就导致了自己训练的模型在部署到安卓端的时候出现各种问题。因此，本文会记录从PC端训练、导出到安卓端部署的各种细节。欢迎大家讨论、指教。

PC端系统：Ubuntu14

tensorflow版本：tensroflow1.14

安卓版本：9.0

PC端训练过程

数据集：自定义生成

训练框架：tensorflow slim  关于tensorflow slim如何安装，这里不再赘述，大家自行百度解决。

数据生成代码：生成50000张28*28大小三通道的验证码图片，共分10类，0-9，生成的数据保存在datasets/images/里面

#-*- coding: utf-8 -*-

importcv2importnumpy as npfrom captcha.image importImageCaptchadef generate_captcha(text='1'):"""Generate a digit image."""capt= ImageCaptcha(width=28, height=28, font_sizes=[24])

image=capt.generate_image(text)

image= np.array(image, dtype=np.uint8)returnimageif __name__ == '__main__':

output_dir= './datasets/images/'

for i in range(50000):

label= np.random.randint(0, 10)

image=generate_captcha(str(label))

image_name= 'image{}_{}.jpg'.format(i+1, label)

output_path= output_dir +image_name

cv2.imwrite(output_path, image)

训练：本次训练我用tensorflow slim 搭建了一个七层卷积的网络，最后测试准确率在96%~99%左右，模型1.2M，适合在移动端部署。训练的时候我做了两点工作

1、指明了模型的输入和输出节点的名字，PC端部署测试模型的时候要用到，也便于快速确定模型的输出数据到底是什么格式，移动端代码要与其保持一致

inputs = tf.placeholder(tf.float32, shape=[None, 28, 28, 3], name='inputs')

.......

.......

prob_= tf.identity(prob, name='prob')

2、训练结束的时候直接把模型保存成PB格式

constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ['inputs','prob']) #训练完毕直接把模型保存为PB格式

with tf.gfile.FastGFile('model3.pb', mode='wb') as f: #模型的名字是model.pb

f.write(constant_graph.SerializeToString())

训练代码如下

#-*- coding: utf-8 -*-

"""Train a CNN model to classifying 10 digits.

Example Usage:

---------------

python3 train.py \

--images_path: Path to the training images (directory).

--model_output_path: Path to model.ckpt."""

importcv2importglobimportnumpy as npimportosimporttensorflow as tfimportmodelfrom tensorflow.python.framework importgraph_util

flags=tf.app.flags

flags.DEFINE_string('images_path', None, 'Path to training images.')

flags.DEFINE_string('model_output_path', None, 'Path to model checkpoint.')

FLAGS=flags.FLAGSdefget_train_data(images_path):"""Get the training images from images_path.

Args:

images_path: Path to trianing images.

Returns:

images: A list of images.

lables: A list of integers representing the classes of images.

Raises:

ValueError: If images_path is not exist."""

if notos.path.exists(images_path):raise ValueError('images_path is not exist.')

images=[]

labels=[]