关于将tensorflow进行安卓模型迁移的基础思路以及核心代码解析 -tensorflowinferenceinterface

以SRCNN模型为例：

1.以三色通道为基础：
模型迁移整体流程（旧）：

1. 将灰度化后的图片裁剪成n个33*33的小块
2. 将每个图片小块转化为float数组
3. 将每个float数组依次输入至模型中
4. 模型将每个小块数组进行模型处理，处理结果依次保存在一个大float数组 中，最后这个大数组就是最终的处理结果。
5. float数组转图片。以下仅为个人想法，未经实践。
   第一种，将float数组转为mat对象，然后将mat对象直接转化为byte数组进行byte流输出图片。此种方法将MAT对象作为中介，难处是float和Mat这两个的互相转化，有些理不清，网上资料也很少。并且在转化过程中会损失一点清晰度。
   第二种方法，将float转化为Mat对象,用imwrite直接将Mat对象保存为图片在内存中，再将图片从相册取出来放进软件。困难在于float转Mat没整出来，imwrite是opencv的一个保存函数。
   总而言之，float转Mat是我这两种方法的关键之处，而第二种损失最少，最简单，但是会加大一丢丢运行时间（可能也不到1s）。

2.以Y通道为基础：
模型迁移整体流程（新）：

1. 将图片数组的Y通道单独提取出来，做成float数组
2. 将Y通道的这个数组传入模型。经过运算保存。
3. 将新的Y通道数组直接更新到图片数组上去
4. 数组转图片

第二种方法如今比较通用，对比第一种方法，第二种方法更加快速和容易实践。

迁移模型所用到的tensorflowinferenceinterface核心代码：

Tensorflowinferenceinterface tf;

static {
    //System.loadLibrary("tensorflow_inference");
}
//加载个静态库

public void predict1(String blankimage) {   

tf.feed(INPUT_NAME,floatValues,1,33,33,1);
//将代码feed(喂)进接口，
//inferenceInterface.feed(inputName, floatValues, 1, inputSize, inputSize, 3);
//InputName是输入节点的名称,floatValues是图片的float数组,在前面已经定义过

/**inputSize, inputSize, 3是输入节点的shape，floatValues数组的大小是inputSize*inputSize*3；
输入的图片为33 * 33,维度根据输入数据确定**/

tf.run(new String[]{OUTPUT_NAME});
//运行模型. 定义一个叫OUTPUT_NAME的数组，并存储结果。这个只要名字写对就ok

tf.fetch(OUTPUT_NAME,PREDICTIONS);
//将模型fetch(取)出来，并保存在PREDICTION这个float数组里，OUTPUT_NAME是输出节点名
}

具体模型迁移过程会在项目完成后详细理一遍。