自iphone X以来，各品牌的手机旗舰机型都开始支持Face ID。与之前的指纹识别相比，人脸识别还是更方便一些。近期在国内大火的抖音，也与人脸识别技术密不可分。各手机厂家还纷纷推出人工智能芯片，希望能让人工智能应用在手机、单片机上运行的更加流畅。可以看到，将在PC上已经大获成功的机器学习模型部署在移动设备上是大势所趋，又能引发一轮新的可能性。手机的精准定位带来了一大波O2O的应用，产生了包括美团、滴滴这样的巨型独角兽。那么人工智能在手机上的广泛应用又将带来什么变革呢？但这个问题不是本文讨论的重点，下面我来从技术角度出发，谈谈如何在Android上部署Tensorflow的图像识别模型。

Android中支持的Tensorflow模型文件为pb格式。pb相比于训练时的ckpt格式，会保存网络结构，并具有语言独立性，适合在移动端使用。

• 
  
  constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ["output"])
  
  
• 
  
  with tf.gfile.FastGFile(pb_file_path, mode='wb') as f:
  
  
• 
  
      f.write(constant_graph.SerializeToString())
  
  
  

同时，由于在Android中读取pb文件时要通过变量名来获取输入层和输出层，所以在保存pb文件前，我分别将输入和输出层变量名设为“input”和“output”。

• 
  
  train_batch = tf.add(train_batch, tf.zeros([IMG_W, IMG_H, 3]), name="input")
  
  
• 
  
  output = tf.add(train_logits, tf.zeros(N_CLASSES), name="output")
  
  
  

App界面采用最常见的底部导航栏结构，使用BottomNavigationView方式实现。拥有从相册中选图片识别和摄像头实时识别两个Fragment，页面间的切换采用FragmentTransaction的show/hide方式。

• 
  
  fragmentManager = getSupportFragmentManager();
  
  
• 
  
  FragmentTransaction transaction = fragmentManager.beginTransaction();
  
  
• 
  
  transaction.add(R.id.fragment, mPhotoFragment = new PhotoFragment());
  
  
• 
  
  transaction.add(R.id.fragment, mCameraFragment = new CameraFragment());
  
  
• 
  
  transaction.commit();
  
  
  

对于摄像头Fragment，在onResume和onPause时分别Open、Release Camera；由于画面会不停移动需要重新对焦，还需要实现摄像头的自动对焦功能。

• 
  
  @Override
  
  
• 
  
  public void onResume() {
  
  
• 
  
       super.onResume();
  
  
• 
  
       onHiddenChanged(false);
  
  
• 
  
  }
  
  
• 
  
  
  
  
• 
  
  @Override
  
  
• 
  
  public void onPause() {
  
  
• 
  
       onHiddenChanged(true);
  
  
• 
  
       super.onPause();
  
  
• 
  
  }
  
  
  

• 
  
         @Override
  
  
• 
  
         public void surfaceChanged(SurfaceHolder surfaceHolder, int i, int i1, int i2) {
  
  
• 
  
              camera.autoFocus(new Camera.AutoFocusCallback() {
  
  
• 
  
                  @Override
  
  
• 
  
                  public void onAutoFocus(boolean success, Camera camera) {
  
  
• 
  
                      if(success){
  
  
• 
  
                          focus();//实现相机的参数初始化
  
  
• 
  
                          camera.cancelAutoFocus();
  
  
• 
  
                      }
  
  
• 
  
                  }
  
  
• 
  
              });
  
  
• 
  
          }
  
  
  

成功获取图片后，调用Classifier对图片进行识别。在Classifier中，将输入的bitmap图片转换成float数组，创建并调用TensorFlowInferenceInterface进行推断。根据识别结果对猫狗置信度的大小，在页面上展示猫或狗的头像。

• 
  
         inferenceInterface.feed(inputName, floatValues, 1, inputSize, inputSize, 3);
  
  
• 
  
         inferenceInterface.run(outputNames, logStats);
  
  
• 
  
         inferenceInterface.fetch(outputName, outputs);
  
  
• 
  
  
  
  
  

• 
  
          Classifier.Recognition answer = null;
  
  
• 
  
          for (final Classifier.Recognition recognition : results) {
  
  
• 
  
              if (answer == null || recognition.getConfidence() > answer.getConfidence()) {
  
  
• 
  
                  answer = recognition;
  
  
• 
  
              }
  
  
• 
  
          }
  
  
• 
  
          int resId = answer.getTitle().equals("cat") ? R.mipmap.cat : R.mipmap.dog;
  
  
• 
  
          view.setImageResource(resId);
  
  
  

项目地址：https://github.com/wlkdb/TensorflowInAndroid

【转载】原文地址：https://blog.csdn.net/wlkdb/article/details/80948705

奈斯