使用Tensorflow Lite在Android上构建自定义机器学习模型

• 2019 年 10 月 4 日
• 筆記

机器学习有许多用处，并提供了一个充满未知性的世界。然而，有些人可能会退缩，认为它太难了，其实并不是这样的。使用TensorFlow Lite并不一定都是机器学习专家。下面给大家分享我是如何开始在Android上构建自己的定制机器学习模型的。

移动应用市场正在快速发展。前任苹果CEO乔布斯说出“万物皆有应用”这句话时，人们并没有把它当回事。然而，从移动应用的消费方式来看，你不仅有一个适用于所有东西的应用，你的应用往往还会跟随最新的趋势发展。

还记得钢铁侠的助手贾维斯吗?在为数字时代开发Android移动应用程序时，机器学习是不可多得的机会。现在能够使用神经网络为你提供服务的只有像苹果sir一样的语音助手。随着机器学习的发展，当你在现实生活中有一个和贾维斯非常相似的私人助理时，你并不会感到惊讶。机器学习将把用户的体验提升到了另一个层次。

虽然你听到了许多关于机器学习的好处，但是在移动应用程序开发和机器学习之间仍然存在一些差距。Tensorflow Lite旨在缩小这一差距，使机器学习更容易融入其中。更重要的是，你甚至不需要成为Tensorflow Lite或机器学习领域的专家，就可以把它们运用到你开发的Android或iOS应用程序中。

TensorFlow的工作原理

Firebase提供的全新的ML工具包包含一系列API，是把机器学习运用到应用程序开发的一种有效的方法。这些API的范围包括从人脸到图像的一系列检测，而有些API也可以在离线模式下访问。

然而，ML工具包并不能进行特异性鉴别，它无法帮助应用程序识别同一产品的不同类型。所以ML kit和TensorFlow Lite的组合更适用于你的移动应用程序开发工作。使用这种组合是为了简化应用程序的开发过程，完善应用程序的功能。

如何使用TensorFlow Lite

要使用TensorFlow lite定制Android应用程序解决方案，您需要遵循以下几个步骤。

步骤 1

在这里，您要考虑应用程序的先决条件，并确保它们得到了处理。除了TensorFlow Lite，还应该确保安装了PILLOW来运行应用程序。

pip安装-升级“tensorflow==1.7。pip install PILLOW

您甚至可以使用GitHub代码并复制它，以防安装无法使用上面提到的代码工作。

步骤2

下一步是收集数据。例如，你想把电视根据品牌和大小进行分类，那么您需要一个培训模型来帮助将数据传输到应用程序。您需要从可靠的源下载数据集，确保你有足够的培训数据，这将帮助你做出有意义的分析。

步骤3

这一步是将可用数据转换为应用程序可以连接的高质量图像的步骤。你需要采用特定的体系结构模型，把数据转换为可以输入应用程序的图像。

两种最流行的架构包括MobileNet_2.0和Inception V3。

使用GitHub上的两种体系结构，您可以很容易地获得重新培训现有模型所需的脚本。您可以将模型转换为可以使用这些代码连接的图像。

步骤4

这一步是使用tflite_convert命令将模型转换为TensorFlow lite。转换器可以将你在前面步骤中获得的TensorFlow图优化为移动版本。除此之外，你还将获得一些存储在txt文件中的标签。

使用TOCO转换器，你不需要直接从源构建Tensorflow的映像。Firebase控制台直接帮助你优化文件。

步骤5

这是将经过训练的模型合并到机器学习程序中的步骤。你需要从Android Studio中输入Android文件夹来构建项目。在这里，你需要输入图像分类器，并使用TensorFlow Lite优化文件更新类中的两个字段。这两个字段是MODEL_PATH和LABEL_PATH。

一旦完全遵循了这些步骤，您所训练的模型就可以学习了，您的应用程序也可以按照这些步骤工作，根据设备的大小隔离特定的一组设备。

机器学习确实让移动应用程序开发看到了未来，如果你想改善Android应用程序的用户体验，那么TensorFlow Lite是你最好的选择。