声明: 本人的第一篇博客, 描述不清楚请见谅。
毕业设计用到了tensorflow, 最近在看其github库时发现tf 可以在手机上运行。 官方的链接
于是就按照官方的教程用Bazel 编译 Tensorflow 环境,并参考这一篇教程, 训练一个分类自己数据集合的模型(fine tuning Inception net)并把它部署在了安卓手机上。
结果如下:
下面我会介绍下如何实现此操作。
Ubuntu 16.04 LTS (Win10 也可以,但前提是Bazel 要成功地安装,并且版本在4.5以上)
Tensorflow 1.0 (此时的tf版本已经更新到了1.2)
安卓手机(魅族)
这个可以参考官方教程。Ubuntu 安装Bazel 很方便, 但建议先安装和配置Java
1.1 安装Java 8 你可以参考这个教程
1.2 以此执行如下命令:
echo "deb [arch=amd64] http://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list
curl https://bazel.build/bazel-release.pub.gpg | sudo apt-key add -
sudo apt-get update && sudo apt-get install bazel
sudo apt-get upgrade bazel
cmd下输入
git clone https://github.com/tensorflow/tensorflow
注意用 git checkout origin/r1.0 切换到版本1.0 (也可以不执行此操作但是有一点不同的地方,在文章末尾指明)
注意sdk 的版本要在23.0.3以上,最好是24或 25。 (最新的是25.0.3)用Android studio 里面自带的 SDK manager 更新下SDK的版本。
ndk 可以到官方网站下载。 以下是下载结果。下载后解压。
取消注释,修改你对应的sdk和ndk的版本号以及path
# Uncomment and update the paths in these entries to build the Android demo.
android_sdk_repository(
name = "androidsdk",
api_level = 25,
build_tools_version = "25.0.3",
# Replace with path to Android SDK on your system
path = "/home/lxt-bupt/Android/Sdk", #
)
#
android_ndk_repository(
name="androidndk",
path="/home/lxt-bupt/Android/android-ndk-r12b",#
api_level=21)
在编译之前,先下载和解压 demo的model文件(Imagenet dataset训练出来的)
curl -L https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip -o /tmp/inception5h.zip
curl -L https://storage.googleapis.com/download.tensorflow.org/models/mobile_multibox_v1.zip -o /tmp/mobile_multibox_v1.zip
unzip /tmp/inception5h.zip -d tensorflow/examples/android/assets/
unzip /tmp/mobile_multibox_v1.zip -d tensorflow/examples/android/assets/
然后运行
bazel build -c opt //tensorflow/examples/android:tensorflow_demo
运行时报protocol 的错误时,运行 git submodule update --init
命令,重新编译。
这个编译时间很长,期间会出现很多的warning 如果成功的话,会得出如下结果。
此时在tensorflow代码根目录/bazel-bin/tensorflow/examples/android下,会有 tensorflow_demo.apk 此时可以把该文件移动到手机上安装,
会有3个app 生成如下图, 这3个app就是tensorflow 官方的demo。分别用于分类,检测,和更改图片的风格。
3,用自己的数据finetuning Inception模型。
1,准备自己的数据。
自己的数据集有5个类别, 可乐,雪碧,芬达,农夫山泉,怡宝, 新建立一个data目录
2,Bazel 编译retrain 模块
在根目录下输入:
bazel build tensorflow/examples/image_retraining:retrain
编译时间很长,耐心等待, 注意可能要安装一些Python的依赖库numpy mock 等等
3, 训练自己的模型
在tensorflow根目录下新建model目录(存放训练后的模型)和retrain_logs目录(记录训练过程,以便于用tensorboard可视化),接着输入如下命令:
note: 还有其他的参数可以选择,可以看 tensorflow/examples/image_retraining/retrain.py 文件中有哪些可以选取.
bazel-bin/tensorflow/examples/image_retraining/retrain\
--bottleneck_dir=./model/bottlenecks \
--how_many_training_steps 4000 \
--model_dir=./model/inception \
--output_graph=./model/retrained_graph.pb \
--output_labels=./model/retrained_labels.txt \
--image_dir ./data/ \
--summaries_dir ./retrain_logs/
开始了训练过程(先创建bottlenecks,再开始训练4000次迭代,
注意图片格式是jpeg,否则会报错)
训练完毕后会在model目录下有retrained_graph.pb (模型) 和 retrain_labels.txt (标签) 两个文件
必须要进行如下build操作, 在根目录依次输入如下Bazel命令: (依然是漫长的等待过程)
bazel build tensorflow/python/tools:optimize_for_inference
bazel build tensorflow/examples/label_image:label_image
在根目录下输入如下命令:
bazel-bin/tensorflow/python/tools/optimize_for_inference \
--input=./model/retrained_graph.pb \
--output=./model/optimized_graph.pb \
--input_names=Mul \
--output_names=final_result
取一张可乐的图片放到model目录下测试,输入如下命令: 你也可以测试其他的图片:)
bazel-bin/tensorflow/examples/label_image/label_image \
--output_layer=final_result \
--labels=./model/retrained_labels.txt \
--image=./model/img28.jpg \
--graph=./model/optimized_graph.pb
结果如下图:
修改相关行
按照下图去每个值的大小:
并把上述两个文件移(optimized_graph.pb 和 retrained_labels.txt)动到 /tensorflow/tensorflow/examples/android/assets 目录下
根目录输入:
bazel build -c opt //tensorflow/examples/android:tensorflow_demo
所以只要有自己的数据,就可以打造属于自己的分类器 : )