本教程使用了一个更稳定的Tensorflow版本，遵循这些步骤实现你的模型，并使用它们对移动设备进行优化。

我们将通过重新训练incepa-v3模型的最终(瓶颈)层来创建一个图像分类器，然后优化智能设备模型。

本教程只包含5-6个步骤:

步骤1:创建带有TensorFlow的模型。

本教程严格专注于智能手机的实现模型,我推荐教程“在CPU上使用自定义图像进行初始化”。所以我们最好在同一页面，并在新目录下用新训练的模型开始操作。

教程地址：https://towardsdatascience.com/training-inception-with-tensorflow-on-custom-images-using-cpu-8ecd91595f26

仅供参考:数据模型的训练包含类型的花是郁金香,雏菊,向日葵,蒲公英和玫瑰花。

在这之后，你应该有两个文件，其中一个包含了被选中网络的版本，其最后一层对你的类别进行了重新训练:

tf_files/retrained_graph.pb 

 tf_files/retrained_labels.txt

步骤2:创建优化模型

运行以下命令提示符(保持路径正确)

python -m tensorflow.python.tools.optimize_for_inference \

  --input=tf_files/retrained_graph.pb \

  --output=tf_files/optimized_graph.pb \

  --input_names="input" \

  --output_names="final_result"

权衡

为了减少应用程序的预处理，同时减少库的大小，tensorflow只支持在推理过程中常用的操作子集。不支持的操作包括tensorflow / contrib / makefile / tf_op_files.txt。

不支持操作地址：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/makefile/tf_op_files.txt

现在，要确保我们刚刚创建的任何图形文件都包括如下可支持操作：

验证

要确保你的新优化图形正在运行，并且optimize_for_inference文件删除了给定输入和输出集不需要的所有节点，但并不改变网络的输出。

利用label_file比较retrained_graph.pb和optimized_graph.pb相同图像的输出。

python -m scripts/label_image \

  --graph=tf_files/retrained_graph.pb\

  --image=tf_files/flower_photos/daisy/3475870145_685a19116d.jpg

python -m scripts/label_image \

    --graph=tf_files/optimized_graph.pb \

    --image=tf_files/flower_photos/daisy/3475870145_685a19116d.jpg

一个一个地运行这些命令，如果两个输出都是相同的，那就意味着optimized_graph.pb完全创建。

步骤3:量化模型，然后压缩

问题是模型的尺寸仍然很大，而且绝对不适合移动。因为，图形中占据的大部分空间都是由大块浮点数的权值构成的。每一个权值都有一个稍微不同的浮点值，具有非常小的规律性。

但是压缩工作是利用数据的规律性，这就解释了失败的原因。

量化有助于通过对网络的权值进行量化，以按因子减小神经网络的大小。这使得图形中有了更多的repetition，这将对之后的压缩中有很大的帮助。

现在使用quantize_graph脚本对图形进行修改:

python -m scripts/quantize_graph \

  --input=tf_files/optimized_graph.pb \

  --output=tf_files/rounded_graph.pb \

  --output_node_names=final_result \

  --mode=weights_rounded

gzip -c tf_files/rounded_graph.pb > tf_files/rounded_graph.pb.gz



gzip -l tf_files/rounded_graph.pb.gz

这将创建一个rounded_graph.pb文件。

你应该会看到压缩的一些显著改进。

注意:如果在运行quantize_graph时遇到任何错误，请下载该文件并将其粘贴到Tensorflow库的tools/quantization /quantize_graph.py中。

从这里开始，教程分为两个部分:Android版和iOS版。

iOS

步骤4:添加TensorFlow-experimental pod

在pod文件中添加TensorFlow-experimental pod，它安装了一个通用的二进制框架。这是在iOS中运行tensorflow最简单的方法。

步骤5:创建应用程序

创建自己的应用程序或加载你在XCode中创建的应用程序。

在项目根目录下添加一个名为Podfile的文件，其中包含以下内容：

target 'YourProjectName'

pod 'TensorFlow-experimental'

运行pod install，并下载安装TensorFlow-experimental pod。

开放YourProjectName.xcworkspace并添加你的代码.

在应用程序的生成设置中,确保将I$(inherited) 添加到其他链接器标志和标题搜索路径部分。

步骤6:运行样本

你将需要Xcode 7.3或稍后运行iOS示例。

在简单、基准和相机方面，有三个示例。你可以复制该代码。

代码地址：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/ios#building-the-tensorflow-ios-libraries-from-source

另外，从tensorflow的根目录下载Inception v1，并使用以下步骤将标签和图形文件提取到简单的相机示例数据文件夹中：

mkdir -p ~/graphs

curl -o ~/graphs/inception5h.zip \

 https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip \

 && unzip ~/graphs/inception5h.zip -d ~/graphs/inception5h

cp ~/graphs/inception5h/* tensorflow/examples/ios/benchmark/data/

cp ~/graphs/inception5h/* tensorflow/examples/ios/camera/data/

cp ~/graphs/inception5h/* tensorflow/examples/ios/simple/data/

cd tensorflow/examples/ios/simple

pod install

open tf_simple_example.xcworkspace #note .xcworkspace,not .xcodeproj

                                     

在XCode模拟器中运行这个简单的应用程序。你应该会看到一个带有运行模型按钮的单屏幕应用程序。点击它，你就会看到格Grace Hopper图像。一旦你建立并运行它，你应该得到一个实时的相机视图，你可以指向物体获得实时的识别结果。

注意:我很确定我犯了一些错误，或者在iOS部分留下了一些东西。如果你有任何疑问，请浏览下面的官方链接。

网站地址：https://www.tensorflow.org/mobile/ios_build

现在，到了本文的Android部分。

Android

步骤4:设置Android Studio和测试运行

有两种方法可以实现Android Studio和Bazel。我会用更多人熟悉的方法。

如果你还没有安装它，那么就到这里安装它。

测试运行

为了检查Android Studio中是否一切正常，我们要进行一次测试运行。

打开Android Studio和选择“📁Open an existing Android Studio project”。

到tensorflow-for-poets-2/android/tfmobile目录下。

打开Build.gradle文件，同步等级。如果一切正常，单击BUILD>BUILD APK按钮。

现在，应该出现一个带有app.apk文件的文件夹，将其复制到你的手机中并安装它。同时，要记住打开手机的开发者模式。

步骤5:运行定制的应用程序

默认的应用程序是一个有1000个类别的Imagenet的分类图像应用。

现在，运行定制的应用程序执行以下两个步骤:

将模型文件添加到项目中。

现在，演示应用程序正在查看graph.pb文件。在android/tfmobile/assets中显示的label.txt文件不在你的rounded_graph.pb and retrained_labels.txt上。

现在，用下面的命令替换这些文件，也可以手动执行。

cp tf_files/rounded_graph.pb android/tfmobile/assets/graph.pb

cp tf_files/retrained_labels.txt android/tfmobile/assets/labels.txt

在ClassifierActivity.java文件中更改“output_name”。

我们的模型的输出节点有一个不同的名称:"final_result"。按照下面的步骤开放ClassifierActivity.java and 更新OUTPUT_NAME变量:

private static final String INPUT_NAME = "input";

private static final String OUTPUT_NAME = "final_result";