TensorFlow Lite介绍
TensorFlow Lite 的目标是移动和嵌入式设备,它赋予了这些设备在终端本地运行机器学习模型的能力,从而不再需要向云端服务器发送数据。这样一来,不但节省了网络流量、减少了时间开销,而且还充分帮助用户保护自己的隐私和敏感信息Android和iOS设备上,TensorFlow Lite都提供了C ++ API的支持,并且在Android平台还额外提供了Java API的支持。这样一来,开发者就能非常方便地使用这些TensorFlow Lite API进行设计和开发。不过,默认情况下TensorFlow Lite使用的是CPU来进行解算,如果你需要使用Android 8.1推出的硬件加速API,则需要确保它运行在受支持的设备上。
Protocol Buffers
正是由于 TensorFlow Lite 运行在客户端本地,开发者必须要在桌面设备上提前训练好一个模型。各种类型的数据都需要使用 Protocol Buffers(简称 ProtoBuff)来定义数据结构,有了这些 ProtoBuff 代码,你就可以使用工具来生成对应的 C 和 Python 或者其它语言的代码,方便装载、保存和使用数据。
ProtoBuff 目前支持Java,Python,Objective-C和C ++来生成代码。使用我们新的proto3语言版本,您还可以使用Go,Ruby和C#,并使用更多语言。
并且为了实现模型的导入,还需要认识一些其他类型的文件,比如:Graph Definition, Checkpoints 以及 Frozen Graph。
Graph Definition
Graph Def(Graph Definition)文件,有两种格式。拓展名为 .pb 的是二进制 binary 文件;而 .pbtxt 格式的则是更具可读性的文本文件。但是,实际使用中,二进制文件有着相当高的执行效率和内存优势。
node { name: "a" op: "matmul" } node { name: "b" op: "matmul" input: "a:0" } node { name: "c" op: "matmul" input: "a:0" output: "b:0" }
Checkpoint
Checkpoint 文件是来自 TensorFlow 图的序列化变量。这个文件当中没有图的结构,所以不会被解释。在训练学习的过程中,Checkpoint 文件记录了不同的 Iteration 中变量的取值。
Frozen Graph
用 Graph Def 和 Checkpoint 生成 Frozen Graph 的过程叫做“冷冻”。为什么称之为冷冻呢?我们知道,生成 Frozen Graph 所需要的量都是从 Checkpoint 当中得到的,那么将变量转为常量的过程就被形象地称之为“冷冻”了。
TensorFlow Lite 模型
TensorFlow Lite 所用的模型是使用 TOCO 工具从 TensorFlow 模型转化而来的,来源就是经过冷冻生成的 Frozen Graph。假如你已经得到了一个“够用”的模型了,而且你也没有源代码或者数据来重新进行训练,那么就使用当前的模型吧,没有任何问题。但如果你有源代码和数据,直接使用 TOCO 工具进行模型转化将会是最好的选择。示例代码如下:
with tf.Session() as sess: tflite_model = tf.contrib.lite.toco_convert(sess.graph_def, [img], [out]) open("converted_model.tflite","wb").write(tflite_model)
在 TensorFlow Lite 中兼容的模型是 Inception v3 和 MobileNets。
- Inception v3 主要用于验证 ImageNet 数据集,这是一个被学界广泛认定为图片验证指标的数据集。
- MobileNets 则是转为移动设备而设计的模型,具有低能耗的特征,但相应的缺点就是准确度不如 Inception v3
现在,开始试试看通过我们的 Codelabs 完成你的第一个 TensorFlow Lite 程序吧,链接:
第一部分,如何用 MobileNets 对图像分类:
https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets/index.html
第二部分,如何将第一部分生成的模型构建成一个 APK:
https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets-2/index.html
参考:https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/android