在推出Tensorflow（一下簡稱TF）時同時推出了TensorFlow Mobile（手機版和標準電腦版有區別，一下簡稱TFM）對於移動裝置上使用深度學習網路還是有相對的限制，主要是計算效能無法達到。近期google推出了專門針對移動裝置上可執行的深度網路模型簡單版（Tensorflow Lite，一下簡稱TFT），檢視其demo效果識別速度確實比較快，但是也有很多限制目前而言，區別如下：
1 TFT是TFM的進化版，在大多數情況下使用TFT來開發可以減少很多空間，其網路模型要比TFM要小的多。
2 TFT目前為開發預覽版本，沒有涵蓋所有用例，如果有需求還是推薦使用TFM。
3 TFT目前只支援一組有限的運算子，因此預設情況下並不是所有TF網路模型都可以執行。而TFM具有更全面的支援功能。

整個過程可分為3個步驟：
1 使用現有優秀的網路模型訓練自己的模型
2 模型轉換成TFM可識別使用的模型檔案
3 在AndroidStudio進行構建

如何使用現有的網路模型訓練自己可用的模型？
這裡使用google訓練好的模型inception-2015-12-05.tgz（該模型在ImageNet比賽中獲得No.1）
https://storage.googleapis.com/download.tensorflow.org/models/tflite/mobilenet_v1_224_android_quant_2017_11_08.zip
模型下載需要穿牆。下載好以後新建資料夾retrain存放如新建inception_model 資料夾，這裡手動解壓，正常應該會有這些檔案：(資料夾名稱隨意)

現在開始準備我們需要讓網路識別的物體資料，如做人臉識別，可以事先採取人臉資料，每個人臉資料圖片不得少於 20 張圖片，格式為jpg或者png。這裡準備喬布斯照片20張

重點來了，整個檔案結構是固定的，有點蛋疼，新建目錄data ,在該資料夾下面在新疆 train 資料夾，在train資料夾下面新建某個具體人臉的資料夾 xxxface，然後具體的人臉資料放在對應的資料夾下面，如下：

注意：在train下面一級的資料夾名稱必須小寫，不能有中文，資料夾名稱相當於類別標籤。

資料準備完畢後，在retrain資料夾下面新建一個資料夾 bottleneck 該資料夾名稱固定（這裡是由於網路模型內部結構導致必須如此）

如果有興趣可以把視覺化日子儲存下來，如上圖的 summaries資料夾就是用來存放日誌的

以上都準備完畢後開始準備重建自己的網路模型，首先開啟cmd命令列視窗，找到在git上clone下來的Tensorflow專案，找到專案中的 ..\ tensorflow\tensorflow\examples\image_retraining\retrain.py 檔案，複製該檔案路徑到cmd中（這是python指令碼因此需要python方式執行），在路徑後面追加引數，
引數1：–bottleneck_dir ..\ inception_model\retrain\bottleneck (這裡是剛剛新建的空資料夾)
引數2：–how_many_training_steps 100 （這裡表示訓練次數）
引數3：–model_dir ..\inception_model （這個表示下載下來的模型存放的資料夾）
引數4：–summaries_dir ..\inception_model\retrain\summaries (存放視覺化模型日誌資料夾)
引數5：–output_graph ..\inception_model\retrain\myoutput_graph.pb (輸出模型的位置)
引數6：–output_labels ..\ inception_model\retrain\myoutput_lables.txt (輸出類別標籤位置)
引數7：–image_dir .. \inception_model\retrain\data\train (存放需要訓練圖片的資料夾地址)

綜上可寫入一個批處理檔案中 retarin.bat：

python E:\openSource\Deeplearning\TensorFlow\tensorflow\tensorflow\examples\image_retraining\retrain.py ^
--bottleneck_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\bottleneck ^
--how_many_training_steps 100 ^
--model_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model ^
--summaries_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\summaries ^
--output_graph E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\myoutput_graph.pb ^
--output_labels E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\myoutput_lables.txt ^
--image_dir E:\workSpace\pythonWorkSpace\tensorflow\src\inception_model\retrain\data\train ^
pause

執行以上語句，訓練完成後會在指定位置生產適用自己資料的網路模型 myoutput_graph.pb和myoutput_lables.txt 標籤檔案.

可以先在電腦上測試下模型是否正確識別訓練的圖片。

至此學習模型準備完畢。

模型轉換

在電腦上訓練的網路模型，有些運算在TFM上可能不支援，需要做一些處理，處理步驟如下：
開啟cmd，找到tensorflow專案中的strip_unused.py 指令碼檔案（..\ tensorflow\tensorflow\python\tools\strip_unused.py），複製該路徑到cmd中，該指令碼需要幾個引數。
引數1：–input_graph=..\inception_model\retrain\myoutput_graph.pb （需要轉換的模型）
引數2：–output_graph= ..\inception_model\retrain\ my_tfm_output_graph.pb (轉換後存放)
引數3：–input_node_names=”Mul” (輸入節點的名稱，固定)
引數4：–output_node_names=”final_result” （輸出節點名稱，固定）
引數5：–input_binary=true （輸入二進位制資料）

執行完以上指令碼語句即可進行轉換。

最後構建App應用

開啟Android Studio 匯入專案 ..\ tensorflow\tensorflow\examples\android
匯入後他會自動進行構建，構建過程會去下載一些資料，如果沒穿牆可能會fail 下載的資料可以在download-models.gradle 檔案中看到：

如果不需要下載這些模型資料可以找到build.gradle檔案把
apply from: “download-models.gradle” 註釋即可。

修改編譯模式，在build.gradle檔案中預設編譯工具為bazel ，如果選擇bazel需要先安裝這個構建工具，這裡選擇cmake方式構建jni檔案,修改：

def nativeBuildSystem = 'cmake'

接下來把剛剛轉換好的模型和標籤檔案放入 專案 assets 資料夾下面：

修改org.tensorflow.demo. ClassifierActivity.java頁面（demo識別人口）

把這些屬性修改成以上值，在進行構建，構建成功後可直接執行到移動裝置上。
效果：