[开发技巧]·安卓手机开发深度学习简易教程（基于Keras）

 

[开发技巧]·安卓手机开发深度学习简易教程（基于Keras）

 

我的主页–> http://www.yansongsong.cn

本教程基于安卓手机平台，在PyDroid3软件上，使用Python3语言配合Keras框架开发深度学习。本文章主要涉及在手机上开发环境的搭建，以及简单的示例代码，若是想深刻研究开发，还须要读者本身花些功夫了。不废话，开始教程。。

- 准备工做

一、手上须要有一个安卓手机，最近两年发布的机型均可以，性能不要太弱，由于跑深度学习代码仍是很吃性能的。我用的是小米8，跑cnn长时间会发热。
二、下载PyDroid3手机APP，我给你们准备好连接了
PyDroid3下载地址
三、手机须要联网，而且至少应该有1G存储，由于要下载一些依赖包。

- 软件安装

一、安装下载好的PyDroid，为了方便演示，我从手机上卸载APP，把整个流程走一下。
二、安装好PyDroid后，打开APP，会自动安装Python3，稍等一下，就能够测试python是否正常工做。
三、测试python功能

在中间输入框输入测试代码：

print("Hello World")

 

注意括号()和双引号""要使用英文输入法下面标点符号来输入，否则会报错，之后再手机上Code的时候也要注意这点。
输入代码完成后，点击右下角的黄色按钮就能够运行，若是无误的话会有
Hello World
的输出

- 开发环境搭建

一、依赖库安装
点击右上角会显示更多菜单，选择Pip选项，能够在QUICK INSTALL找到经常使用的库，点击INSTALL就能够安装了，安装的时候要稍等一下（速度的确比较慢，你们须要耐心等待下），等提示安装完成时再退出界面。
首先能够先安装经常使用的包：
numpy，pandas，cython，scipy。

二、keras环境安装
细心的同窗能够发现其实在上面界面就能够安装Keras了，可是由于Keras须要Theano做为后端（就是须要Theano才能正常运行），因此咱们须要先安装Theano，能够在INSTALL 下面输入框输入
theano
而后APP就会本身搜索下载（注意不要输入错了，可能会找不到包），一样的等一下，安装完成后再退出界面，若是
提示错误，多是网络缘由，那就等一下再输入一次进行安装。（建议有些基础的能够选择命令行，在软件上很容易找到，和Linux，系统用法基本一致）

在上面菜单选项选择Terminal 选项，进入Terminal
依次输入：完成一项再输入下一项

pip3 install --upgrade pip

 

pip3 install theano

 

pip3 install keras

 

安装完成后就能够测试keras功能了，开始深度学习了。

- 测试代码

# coding: utf-8
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flatten
from keras.optimizers import Adam
np.random.seed(1337)
 
# download the mnist
(X_train, Y_train), (X_test, Y_test) = mnist.load_data()
 
# data pre-processing
X_train = X_train.reshape(-1, 1, 28, 28)/255
X_test = X_test.reshape(-1, 1, 28, 28)/255
Y_train = np_utils.to_categorical(Y_train, num_classes=10)
Y_test = np_utils.to_categorical(Y_test, num_classes=10)
 
# build CNN
model = Sequential()
 
# conv layer 1 output shape(32, 28, 28)
model.add(Convolution2D(filters=32,
                       kernel_size=5,
                       strides=1,
                       padding='same',
                       batch_input_shape=(None, 1, 28, 28),
                       data_format='channels_first'))
model.add(Activation('relu'))
 
# pooling layer1 (max pooling) output shape(32, 14, 14)
model.add(MaxPooling2D(pool_size=2, 
                       strides=2, 
                       padding='same', 
                       data_format='channels_first'))
 
# conv layer 2 output shape (64, 14, 14)
model.add(Convolution2D(64, 5, 
                        strides=1, 
                        padding='same', 
                        data_format='channels_first'))
model.add(Activation('relu'))
 
# pooling layer 2 (max pooling) output shape (64, 7, 7)
model.add(MaxPooling2D(2, 2, 'same', 
                       data_format='channels_first'))
 
# full connected layer 1 input shape (64*7*7=3136), output shape (1024)
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))
 
# full connected layer 2 to shape (10) for 10 classes
model.add(Dense(10))
model.add(Activation('softmax'))
model.summary()
# define optimizer
adam = Adam(lr=1e-4)
model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=['accuracy'])
 
# training
print ('Training')
model.fit(X_train, Y_train, epochs=1, batch_size=16)
 
# testing
print ('Testing')
loss, accuracy = model.evaluate(X_test, Y_test)
print ('loss, accuracy: ', (loss, accuracy))

Hope this helpsEnjoy Yourself。。