這裡截取了本人畢業設計關於移動端實現深度學習的章節。本章節將詳細介紹如何實現移動端呼叫深度學習模型進行使用，簡單來說就是兩個步驟，生成可供呼叫的模型和呼叫模型。這裡我們用到的人臉檢測模型為第三章節訓練出來的mAP最高的模型。
4.1 固定模型
為了使android能夠呼叫，檢測模型一定要轉成pb檔案。
4.1.1 讀取檢查點生成新的pbtxt檔案
SSD模型訓練過程中生成的checkpoints檔案和pbtxt檔案雖然包含了整個模型的引數，但是我們需要的只是生成預測值的那一部分網路結點。對於其他loss，gradient這些引數，我們並不需要。明確了我們需要的網路後，我們還要給它的輸入層和輸出層取名字，不然在android中無法呼叫這個模型。具體來說，我們需要寫一段程式碼來重新得到需要的pbtxt檔案，程式碼中關鍵的步驟如下：

1.首先定義一個有名字的佔位符，用於表示輸入輸出資料的格式。告訴系統：這裡有一個值/向量/矩陣，現在沒法給你具體的資料，不過正式執行的會補上的。這裡的正式執行指的就是後續在android中呼叫這個模型的時候，我們就要給它輸入這個格式的資料。這裡要注意的是，這個佔位符的名字一定要取。因為呼叫的時候是要明確接收資料的變數的，否則呼叫模型將出錯。本文定義如下：

2.在佔位符後面緊跟著接收資料後，要處理的函式或者網路。一般情況下我們要對網路輸出的預測值進行處理，便於後續在android程式設計中的呼叫。因為Tensorflow[8,9]和android裡面的資料格式不同，最好是能都化成float一維陣列形式。SSD模型有6層的輸出，所以我們不能直接使用網路輸出的預測值，而要將其合併為一層，再對最後的輸出值取個名字，用於後續模型的讀取。

3.恢復checkpoint檔案，重新生成pbtxt檔案。在經過網路得到最終輸出值後，我們要再其後面新增saver，表明以上的網路模型引數將恢復。之後再開啟一個Tensorflow會話，從checkpoint中恢復引數，並將上述的圖（如果沒有明確取名的話，圖將為預設圖），寫入新的pbtxt檔案。為了能夠更清楚地被理解，這裡將上一步的最後輸出和這一步的程式碼寫下來：

4.1.2 執行官方工具固定模型引數
首先明確執行檔案需要的引數：輸入的圖檔案(上一步驟生成的pbtxt檔案)，輸入的檢查點檔案（上一步中中使用的checkpoint檔案），輸出的pb檔案存放路徑和名字，最後還要輸出結點的名字（上一步中輸出值的名字）。確定後，執行Tensorflow[8,9]官方工具freeze_graph.py檔案，便會生成可供呼叫的pb檔案。
4.2 Android專案呼叫

關於Android Studio環境的配置，大多可以自行搜尋找到教程，本文就不做細說。關鍵的點有1.修改配置檔案，2.根據tensorflow github上的教程生成libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar，3.將上一節生成的pb檔案放入專案的app/src/main/assets下，assets不存在則自行建立，4.將jar包放在app/libs下，並add as library，5.將so檔案放置在app/src/main/jniLibs下，jniLibs不存在則自行建立。

4.2.1 具體呼叫方法
環境都配置好後，要能順利呼叫深度學習模型還需要以下幾個步驟：
1.匯入jar包：

2.在要呼叫的java類的類定義首行，匯入so檔案：

3.定義變數和物件

4.Tensorflow介面初始化

5.人臉檢測模型的呼叫

在得到推理輸出的資料後，將其轉變為最終需要的形式。本文中對資料的處理流程為，先進行資料格式的轉換（資料轉為xmin，ymin，xmax，ymax的形式）和挑選，具體為選擇一定數量預測分數大於0.3的資料，再將它們進行非最大抑制處理得到最終的預測位置和類別。