TensorFlow的android移植
程序员文章站
2024-01-16 21:58:34
...
把tensorflow克隆到本地
git clone --recurse-submodules https://github.com/tensorflow/tensorflow.git
1.安装bazel.
bazel是tensorflow工程的主要构建工具
下载bazel-0.5.4-installer-linux-x86_64.sh,执行即可
bazel的简介
2.下载NDK
最好下载r12b版本的,最新的r13b可能与bazel有兼容问题。
3. 编辑Tensorflow根目录下的WORKSPACE文件
在WORKSPACE文件开头部分,修改android_ndk_repository部分
# Uncomment and update the paths in these entries to build the Android demo.
#android_sdk_repository(
# name = "androidsdk",
# api_level = 23,
# # Ensure that you have the build_tools_version below installed in the
# # SDK manager as it updates periodically.
# build_tools_version = "25.0.2",
# # Replace with path to Android SDK on your system
# path = "/path/to/your/sdk",
#)
# Android NDK r12b is recommended (higher may cause issues with Bazel)
#android_ndk_repository(
# name="androidndk",
# path="/path/to/your/ndk",
# # This needs to be 14 or higher to compile TensorFlow.
# # Note that the NDK version is not the API level.
# api_level=14)
这两部分定义了SDK和NDK的路径。把/path/to/your的部分改成相应的路径,然后将每一行前的注释去掉。
因为只需编译TensorFlowLite.so,不需要SDK,只需要NDK
5.编译
生成so库的命令:
bazel build -c opt //tensorflow/contrib/android:libtensorflow_inference.so \
--crosstool_top=//external:android/crosstool \
[email protected]_tools//tools/cpp:toolchain\
--cpu=armeabi-v7a
生成的so库的位置:
bazel-bin/tensorflow/contrib/android/libtensorflow_inference.so
--crosstool_top=//external:android/crosstool \
[email protected]_tools//tools/cpp:toolchain\
--cpu=armeabi-v7a
生成的so库的位置:
bazel-bin/tensorflow/contrib/android/libtensorflow_inference.so
生成libtensorflowlite_jni.so
bazel build -c opt --cxxopt='--std=c++11' //tensorflow/contrib/lite/java:libtensorflowlite_jni.so
PC端模型的准备
这是一个很简单的模型,输入是一个数组matrix1,经过操作后,得到这个数组乘以2*matrix1。
- 给输入数据命名为
input
,在android端需要用这个input
来为输入数据赋值 - 给输出数据命名为
output
,在android端需要用这个output
来为获取输出的值 - 不能使用 tf.train.write_graph()保存模型,因为它只是保存了模型的结构,并不保存训练完毕的参数值
- 不能使用 tf.train.saver()保存模型,因为它只是保存了网络中的参数值,并不保存模型的结构。
-
graph_util.convert_variables_to_constants
可以把整个sesion当作常量都保存下来,通过output_node_names
参数来指定输出 -
tf.gfile.FastGFile('model/cxq.pb', mode='wb')
指定保存文件的路径以及读写方式 -
f.write(output_graph_def.SerializeToString())
将固化的模型写入到文件
# -*- coding:utf-8 -*-
import tensorflow as tf
from tensorflow.python.client import graph_util
session = tf.Session()
matrix1 = tf.constant([[3., 3.]], name='input')
add2Mat = tf.add(matrix1, matrix1, name='output')
session.run(add2Mat)
output_graph_def = graph_util.convert_variables_to_constants(session, session.graph_def,output_node_names=['output'])
with tf.gfile.FastGFile('model/cxq.pb', mode='wb') as f:
f.write(output_graph_def.SerializeToString())
session.close()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
运行后就会在model文件夹下产生一个cxq.pb文件,现在这个文件将刚才一系列的操作固化了,因此下次需要计算变量乘2时,我们可以直接拿到pb文件,指定输入,再获取输出
上一篇: MAC电脑删除系统自带的软件
下一篇: Mac 停止自带 Apache