Android+TensorFlow+CNN+MNIST实现手写数字识别

开发环境

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

训练与评估

训练和评估部分主要目的是生成用于测试用的pb文件，其保存了利用TensorFlow python API构建训练后的网络拓扑结构和参数信息，实现方式有不少种，除了cnn外还能够使用rnn，fcnn等。
其中基于cnn的函数也有两套，分别为tf.layers.conv2d和tf.nn.conv2d， tf.layers.conv2d使用tf.nn.conv2d做为后端处理，参数上filters是整数，filter是4维张量。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实例中使用的是layers module，结构以下：

• Convolutional Layer #1：32个5×5的filter，使用ReLU激活函数
• Pooling Layer #1：2×2的filter作max pooling，步长为2
• Convolutional Layer #2：64个5×5的filter，使用ReLU激活函数
• Pooling Layer #2：2×2的filter作max pooling，步长为2
• Dense Layer #1：1024个神经元，使用ReLU激活函数，dropout率0.4
  (为了不过拟合，在训练的时候，40%的神经元会被随机去掉)
• Dense Layer #2 (Logits Layer)：10个神经元，每一个神经元对应一个类别（0-9）

核心代码在cnn_model_fn(features, labels, mode)函数中，完成卷积结构的完整定义，核心代码以下：

也能够采用传统的tf.nn.conv2d函数, 核心代码以下:

测试

• 核心是使用API接口： TensorFlowInferenceInterface.java
• 配置gradle 或者 自编译TensorFlow源码导入jar和so compile
  ‘org.tensorflow:tensorflow-android:1.2.0’
• 导入pb文件.pb文件放assets目录，而后读取

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：