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。

实验环境

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）

配置环境

1，安装Bazel

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]  stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.listcurl  | sudo apt-key add -sudo apt-get update && sudo apt-get install bazelsudo apt-get upgrade bazel

注意一定要注意Bazel 的版本. 输入 bazel version 去检验。

2， 下载Tensorflow源码和 Android studio 以及 Android ndk， 运行官方的demo

2.1 下载tensorflow （事先安装好git工具，否则 cmd 输入 sudo apt-get install git ）

cmd下输入

git clone 

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）

2.2 下载 Android studio 和Android ndk

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。

2.3 配置tensorflow代码根目录下的 WORKSPACE文件

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)

3 用Bazel 编译Tensorflow 的Android 环境在编译之前，先下载和解压 demo的model文件（Imagenet dataset训练出来的）

curl -L  -o /tmp/inception5h.zipcurl -L  -o /tmp/mobile_multibox_v1.zipunzip /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

4,优化和测试模型

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_inferencebazel build tensorflow/examples/label_image:label_image

4.1 优化模型

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

4.2用优化后的模型测试图片

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:

4.3 修改相关的java文件, /tensorflow/tensorflow/examples/android/src/org/tensorflow/demo 目录下的ClassifierActivity.java文件

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

5,部署模型到安卓手机

5.1 重新编译Android 环境

根目录输入:

bazel build -c opt //tensorflow/examples/android:tensorflow_demo

5.2 把新的apk文件放到安卓手机上安装,最后运行tf_classify ,效果如下图