Android+TensorFlow+CNN+MNIST實現手寫數字識別

開發環境

• TensorFlow： 1.2.0
• Python： 3.6
• Python IDE： PyCharm 2017.2
• Android IDE： Android Studio 3.0

訓練與評估

訓練和評估部分主要目的是生成用於測試用的pb文件，其保存了利用TensorFlow python API構建訓練後的網絡拓撲結構和參數信息，實現方式有不少種，除了cnn外還能夠使用rnn，fcnn等。
其中基於cnn的函數也有兩套，分別爲tf.layers.conv2d和tf.nn.conv2d， tf.layers.conv2d使用tf.nn.conv2d做爲後端處理，參數上filters是整數，filter是4維張量。原型以下：

convolutional.py文件

def conv2d(inputs, filters, kernel_size, strides=(1, 1), padding=’valid’, data_format=’channels_last’,
dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=None,
bias_initializer=init_ops.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None,
activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None,
reuse=None)

gen_nn_ops.py 文件

def conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_format="NHWC", name=None)
官方Demo實例中使用的是layers module，結構以下：

• Convolutional Layer #1：32個5×5的filter，使用ReLU激活函數
• Pooling Layer #1：2×2的filter作max pooling，步長爲2
• Convolutional Layer #2：64個5×5的filter，使用ReLU激活函數
• Pooling Layer #2：2×2的filter作max pooling，步長爲2
• Dense Layer #1：1024個神經元，使用ReLU激活函數，dropout率0.4
  (爲了不過擬合，在訓練的時候，40%的神經元會被隨機去掉)
• Dense Layer #2 (Logits Layer)：10個神經元，每一個神經元對應一個類別（0-9）

核心代碼在cnn_model_fn(features, labels, mode)函數中，完成卷積結構的完整定義，核心代碼以下：

也能夠採用傳統的tf.nn.conv2d函數, 核心代碼以下:

測試

• 核心是使用API接口： TensorFlowInferenceInterface.java
• 配置gradle 或者 自編譯TensorFlow源碼導入jar和so compile
  ‘org.tensorflow:tensorflow-android:1.2.0’
• 導入pb文件.pb文件放assets目錄，而後讀取

String actualFilename = labelFilename.split(「file:///android_asset/「)[1];
Log.i(TAG, 「Reading labels from: 「 + actualFilename);
BufferedReader br = null;
br = new BufferedReader(new InputStreamReader(assetManager.open(actualFilename)));
String line;
while ((line = br.readLine()) != null) {
c.labels.add(line);
}
br.close();

• TensorFlow接口使用以下：