目录
准备工作
编译应用
代码解读
准备工作
1.保存checkpoint
可以参考之前的一篇利用tf slim进行分类网络训练的博客，如果按照里面的操作步骤进行训练网络，我们会得到保存下来的checkpoint文件。
model.ckpt-5000.data-00000-of-00001 --> 保存了当前参数值
model.ckpt-5000.index --> 保存了当前参数名
model.ckpt-5000.meta --> 保存了当前graph结构图这样训练的脚本就直接帮我们完成了checkpoint的保存。
但是如果是自己实现的网络结构和网络训练，那我们需要使用下面的代码来保存checkpoint，然后我们同样也会得到这三类文件。
saver = tf.train.Saver()
saver.save(sess, './data/train_logs_1/model.chkp')2.根据meta生成freezed pb
下面就是要根据生成的checkpoint文件来生成freezed protobuf文件。什么是freezed呢？其实就是将参数的值和graph结合起来保存成pb文件，这样后续使用的时候就只需要直接输入input进行计算就好了，也不用还原网络结构。当然pb文件里面其实都是二进制的信息，也无法还原网络结构的，我们在运算的时候只能按照里面记录的运算方式进行计算。
import tensorflow as tf
meta_path = './data/train_logs_1/model.ckpt-5000.meta' # Your .meta file
output_node_names = ['MobilenetV2/Predictions/Reshape_1'] # Output nodes
with tf.Session() as sess:
# Restore the graph
saver = tf.train.import_meta_graph(meta_path)
# Load weights
saver.restore(sess, tf.train.latest_checkpoint('./data/train_logs_1'))
# Freeze the graph
frozen_graph_def = tf.graph_util.convert_variables_to_constants(
sess,
sess.graph_def,
output_node_names)
# Save the frozen graph
with open('./data/train_logs_1/freeze_graph_5000.pb', 'wb') as f:
f.write(frozen_graph_def.SerializeToString())上面的代码可以保存一个freezed_graph.pb文件。在使用convert_variables_to_constants的时候需要一个output_node_names，如果不知道output的具体名字可以先用如下的代码查看
import tensorflow as tf
meta_path = './data/train_logs_1/model.ckpt-5000.meta' # Your .meta file
with tf.Session() as sess:
# Restore the graph
saver = tf.train.import_meta_graph(meta_path)
# Load weights
saver.restore(sess, tf.train.latest_checkpoint('./data/train_logs_1'))
graph = tf.get_default_graph()
with open('./data/train_logs_1/operations_5000.txt', 'wb') as f:
for op in graph.get_operations():
f.writelines(str(op.name) + ',' + str(op.values()) + '\n')这里会将graph里面包含的所有操作打印出来，因为内容比较多，所以存入文件方便查看，可以从operations_5000.txt中看到在loss之前最后一个输出就是MobilenetV2/Predictions/Reshape_1，所以我们在convert_variables_to_constants中填入的output_node_names为['MobilenetV2/Predictions/Reshape_1']，其实可以填入好多个output，但是我们的分类网络只需要一个。
MobilenetV2/Predictions/Reshape_1,(<tf.Tensor 'MobilenetV2/Predictions/Reshape_1:0' shape=(32, 243) dtype=float32>,)
softmax_cross_entropy_loss/Rank,(<tf.Tensor 'softmax_cross_entropy_loss/Rank:0' shape=() dtype=int32>,)3.测试freezed pb
前面两个步骤后其实freezed pb文件就已经保存成功了，但是还需要测试一下我们保存的pb文件是否可靠，是否可以通过load这个pb文件就进行预测。
首先我们需要load pb文件
def load_graph(model_file):
graph = tf.Graph()
graph_def = tf.GraphDef()
with open(model_file, "rb") as f:
graph_def.ParseFromString(f.read())
with graph.as_default():
tf.import_graph_def(graph_def)
return graph接着取出input和output的tensor
input_operation = graph.get_operation_by_name(input_name)
output_operation = graph.get_operation_by_name(output_name)最后sess run就可以得到结果了
with tf.Session(graph=graph) as sess:
results = sess.run(output_operation.outputs[0], {
input_operation.outputs[0]: t
})
results = np.squeeze(results)
print(results.shape)
top_k = results.argsort()[-5:][::-1]
labels = load_labels(label_file)虽然测试pb文件代码很简单，但是我们可能会遇到两个坑。
第一个可能运行后会报错。因为我们打印出来的results的shape是[32, 243]，243是我们分类的类别数，但是为何有32个243的数组呢？
(1, 224, 224, 3)
2018-09-04 18:19:58.424800: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1120] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:03:00.0, compute capability: 6.1)
(32, 243)
Traceback (most recent call last):
File "test_freeze_meta.py", line 80, in <module>
print(labels[i], results[i])
TypeError: only integer scalar arrays can be converted to a scalar index从我们前面打印出来的output的size可以看出MobilenetV2/Predictions/Reshape_1的shape是(32, 243)，是因为32是我们之前training的batch size，而我们保存meta的时候将这个size保存下来了。所以导致我们predict的时候出来的结果也是(32, 243)，但是我们其实只预测了一张图片。
如果遇到了这个问题，可以将training时的batch size改成1，基于前面的checkpoint再进行一次训练生成新的meta文件，然后重复上面的步骤进行操作即可。比如我这边会用下面的命令接着进行training
python train_image_classifier.py \
--train_dir=./data/train_logs_1 \
--dataset_dir=./data/mydata \
--dataset_name=mydata \
--dataset_split_name=train \
--model_name=mobilenet_v2 \
--train_image_size=224 \
--batch_size=1会生成model.ckpt-5001.data-00000-of-00001，model.ckpt-5001.index和model.ckpt-5001.meta文件，然后重新生成operations_5001.txt，可以发现里面shape已经变过来了
MobilenetV2/Predictions/Reshape_1,(<tf.Tensor 'MobilenetV2/Predictions/Reshape_1:0' shape=(1, 243) dtype=float32>,)
softmax_cross_entropy_loss/Rank,(<tf.Tensor 'softmax_cross_entropy_loss/Rank:0' shape=() dtype=int32>,)后面进行预测就不会有报错。但是其实并没有结束，因为我们还可能遇到第二个坑。
预测的结果特别不准确，而且多跑几次会发现每次结果都不一样。这是因为batch normalization和dropout的随机性导致的
with slim.arg_scope([slim.batch_norm, slim.dropout],
is_training=is_training):代码中在搭建网络的时候很清楚的对这两种操作区分了是否是training状态。所以我们现在的做法是搭建网络的时候传入这个参数为false，然后进行一次training生成checkpoint 5002。
network_fn = nets_factory.get_network_fn(
FLAGS.model_name,
num_classes=(dataset.num_classes - FLAGS.labels_offset),
weight_decay=FLAGS.weight_decay,
is_training=False)如果对5002 checkpoint进行评估会发现结果是非常不准确的，没关系，我们只需要用到他的meta文件。
然后在用第二步中的操作生成freezed pb文件
meta_path = './data/train_logs_1/model.ckpt-5002.meta' # Your .meta file
#这里restore的checkpoint需要是准确率比较高的checkpoint，比如ckpt-5001
#如果让latest_checkpoint取到的是5001呢，很简单，修改train_logs_1目录下的checkpoint文件
#修改model_checkpoint_path: "model.ckpt-5001"，这样就会自动取5001为checkpoint来恢复数据了
saver.restore(sess, tf.train.latest_checkpoint('./data/train_logs_1'))然后再进行预测，一切都正常了。比如预测file_name = "./backup/mydata/km335_back/km335_back.jpg"文件，结果是
(243,)
('150:km335_back', 0.99930513)
('151:km335_front', 0.00019936822)
('191:km711_front', 0.00018467742)
('193:km712_front', 0.00015364563)
('220:kmmerge123_back', 4.9729293e-05)并不是每个人都会遇到这两个问题，如果是自己搭建网络，自己保存checkpoint我想是可以避免的，但是tf-slim是用slim.learning.train接口进行训练和保存checkpoint，所以保存形式不太可控。
代码实现：freeze_meta.py test_freeze_meta.py
编译应用
如果按照上一篇博文进行了实操，那这一步就会非常容易了。
首先将上一步编译出来的pb文件，和我们分类的label文件拷贝放入tensorflow/examples/android/assets
然后修改ClassifierActivity.java中的代码如下
private static final String INPUT_NAME = "MobilenetV2/input";
private static final String OUTPUT_NAME = "MobilenetV2/Predictions/Reshape_1";
private static final String MODEL_FILE = "file:///android_asset/freeze_graph_5002.pb";
private static final String LABEL_FILE = "file:///android_asset/labels.txt";接着用bazel进行编译
bazel build //tensorflow/examples/android:tensorflow_coin生成的apk放在了bazel-bin/tensorflow/examples/android目录下，安装启动即可。
但是我们可能会遇到另外一个坑，安装apk后启动会crash，从adb log看到的错误是
09-05 14:07:58.741 16317 16441 E AndroidRuntime: java.lang.IllegalArgumentException: Cannot assign a device for operation 'MobilenetV2/input': Operation was explicitly assigned to /device:GPU:0 but available devices are [ /job:localhost/replica:0/task:0/device:CPU:0 ]. Make sure the device specification refers to a valid device.
09-05 14:07:58.741 16317 16441 E AndroidRuntime: [[Node: MobilenetV2/input = Identity[T=DT_FLOAT, _device="/device:GPU:0"](fifo_queue_Dequeue)]]这是因为我们训练的时候用的是GPU，保存的pb中指定了用GPU进行load，而手机中只有CPU，所以所发生错误。
改动方法是训练的时候添加一个flag --clone_on_cpu=True，就可以将我们的meta保存device指定CPU。
代码解读
android代码中关于分类网络的主要是两个文件，一个是ClassifierActivity.java，另一个是TensorFlowImageClassifier.java
1.ClassifierActivity.java
这个文件主要负责camera的preview，将preview中的图片传递给TensorFlowImageClassifier进行分类网络的预测，最后显示预测结果。
# 创建classifier实例
classifier =
TensorFlowImageClassifier.create(
getAssets(),
MODEL_FILE,
LABEL_FILE,
INPUT_SIZE,
IMAGE_MEAN,
IMAGE_STD,
INPUT_NAME,
OUTPUT_NAME);
# 调用recognizeImage进行图像识别
final List<Classifier.Recognition> results = classifier.recognizeImage(croppedBitmap);
# 显示预测结果
resultsView.setResults(results);2.TensorFlowImageClassifier.java
主要负责调用TensorFlowInferenceInterface类的接口进行预测。
# 实例化TensorFlowInferenceInterface，同时会将model载入
c.inferenceInterface = new TensorFlowInferenceInterface(assetManager, modelFilename);
# 传入input的image数据
inferenceInterface.feed(inputName, floatValues, 1, inputSize, inputSize, 3);
# 进行计算
inferenceInterface.run(outputNames, logStats);
#取出计算结果
inferenceInterface.fetch(outputName, outputs);
以上就是全部内容，如果在操作过程中遇到了任何问题可以给我留言，谢谢阅读。
