手把手教程:如何从零开始训练 TF 模型并在安卓系统上运行

CanMV K230 视觉模块固件烧录全攻略:从驱动安装到首次运行 本文提供了CanMV K230视觉模块的详细固件烧录指南。从必备的硬件软件准备、关键的USB驱动安装(使用Zadig工具),到使用K230BurningTool将MicroPython固件镜像写入TF卡,并完成首次上电验证,手把手帮助开发者完成从“砖头”到智能视觉设备的激活全过程,确保设备正常运行。 阅读详情
点击上方 “AI派 ”, 选择“ 设为星标 ”
最新分享,第一时间送达!

640?wx_fmt=jpeg


转自:AI开发者

本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型,将 tf.Keras 模型转换为 tflite 格式,并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类,并分享一些你可能会面临的常见问题。本教程着重于端到端的体验,我不会深入探讨各种 tf.Keras API 或 Android 开发。

下载我的示例代码并执行以下操作:

  • 在 colab 中运行:使用 tf.keras 的训练模型,并将 keras 模型转换为 tflite(链接到 Colab notebook)。

  • 在 Android Studio 中运行:DigitRecognizer(链接到Android应用程序)。

640?wx_fmt=png

1.训练自定义分类器

加载数据

我们将使用作为tf.keras框架一部分的mnst数据。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

预处理数据

接下来,我们将输入图像从 28x28 变为 28x28x1 的形状,将其标准化,并对标签进行 one-hot 编码。

定义模型体系结构

然后我们将用 cnn 定义网络架构。

def create_model():

        # Define the model architecture

       model = keras.models.Sequential([

              # Must define the input shape in the first layer of the neural network

              keras.layers.Conv2D(filters=32, kernel_size=3, padding='same', activation='relu', input_shape=(28,28,1)),

              keras.layers.MaxPooling2D(pool_size=2),

              keras.layers.Dropout(0.3),

keras.layers.Conv2D(filters=64, kernel_size=3, padding='same', activation='relu'),

       keras.layers.MaxPooling2D(pool_size=2),

       keras.layers.Dropout(0.3),

keras.layers.Flatten(),

       keras.layers.Dense(128, activation='relu'),

       keras.layers.Dropout(0.5),

       keras.layers.Dense(10, activation='softmax')

])

# Compile the model

model.compile(loss=keras.losses.categorical_crossentropy,

       optimizer=keras.optimizers.Adam(),

       metrics=['accuracy'])

return model

训练模型

然后我们使用 model.fit()来训练模型。

model.fit(x_train,

                y_train,

               batch_size=64,

               epochs=3,

               validation_data=(x_test, y_test))

2.模型保存和转换

训练结束后,我们将保存一个 Keras 模型并将其转换为 TFLite 格式。

保存一个 Keras 模型

下面是保存 Keras 模型的方法-

# Save tf.keras model in HDF5 format

keras_model = "mnist_keras_model.h5"

keras.models.save_model(model, keras_model)

将keras模型转换为tflite

当使用 TFLite 转换器将 Keras 模型转换为 TFLite 格式时,有两个选择- 1)从命令行转换,或 2)直接在 python 代码中转换,这个更加推荐。

1)通过命令行转换

$ tflite_convert \

$ --output_file=mymodel.tflite \

$ --keras_model_file=mymodel.h5

2)通过 python 代码转换

如果你可以访问模型训练代码,则这是转换的首选方法。

# Convert the model

flite_model = converter.convert()

# Create the tflite model file

tflite_model_name = "mymodel.tflite"

open(tflite_model_name, "wb").write(tflite_model)

你可以将转换器的训练后量化设置为 true。

# Set quantize to true

converter.post_training_quantize=True

验证转换的模型

将 Keras 模型转换为 TFLite 格式后,验证它是否能够与原始 Keras 模型一样正常运行是很重要的。请参阅下面关于如何使用 TFLite 模型运行推断的 python 代码片段。示例输入是随机输入数据,你需要根据自己的数据更新它。

# Load TFLite model and allocate tensors. interpreter = tf.contrib.lite.Interpreter(model_path="converted_model.tflite")

interpreter.allocate_tensors()

# Get input and output tensors

input_details = interpreter.get_input_details() output_details = interpreter.get_output_details()

# Test model on random input data

input_shape = input_details[0]['shape']

input_data = np.array(np.random.random_sample(input_shape),

dtype=np.float32) interpreter.set_tensor(input_details[0]['index'], input_data)

interpreter.invoke()

output_data = interpreter.get_tensor(output_details[0]['index'])

print(output_data)

ps:确保在转换后和将 TFLite 模型放到 Android 上面之前始终测试它。否则,当它在你的 Android 应用程序上不能工作时,你无法分清是你的 android 代码有问题还是 ML 模型有问题。

3.在 Android 上实现 tflite 模型

现在我们准备在 Android 上实现 TFLite 模型。创建一个新的 Android 项目并遵循以下步骤

  1. 将 mnist.tflite 模型放在 assets 文件夹下

  2. 更新 build.gradle 以包含 tflite 依赖项

  3. 为用户创建自定义视图

  4. 创建一个进行数字分类的分类器

  5. 从自定义视图输入图像

  6. 图像预处理

  7. 用模型对图像进行分类

  8. 后处理

  9. 在用户界面中显示结果

Classifier 类是大多数 ML 魔术发生的地方。确保在类中设置的维度与模型预期的维度匹配:

  • 28x28x1 的图像

  • 10 位数字的 10 个类:0、1、2、3…9

要对图像进行分类,请执行以下步骤:

  • 预处理输入图像。将位图转换为 bytebuffer 并将像素转换为灰度,因为 MNIST 数据集是灰度的。

  • 使用由内存映射到 assets 文件夹下的模型文件创建的解释器运行推断。

  • 后处理输出结果以在 UI 中显示。我们得到的结果有 10 种可能,我们将选择在 UI 中显示概率最高的数字。

640?wx_fmt=png

过程中的挑战

以下是你可能遇到的挑战:

  • 在 tflite 转换期间,如果出现「tflite 不支持某个操作」的错误,则应请求 tensorflow 团队添加该操作或自己创建自定义运算符。

  • 有时,转换似乎是成功的,但转换后的模型却不起作用:例如,转换后的分类器可能在正负测试中以~0.5 的精度随机分类。(我在 tf 1.10 中遇到了这个错误,后来在 tf1.12 中修复了它)。

如果 Android 应用程序崩溃,请查看 logcat 中的 stacktrace 错误:

  • 确保输入图像大小和颜色通道设置正确,以匹配模型期望的输入张量大小。

  • 确保 in build.gradle aaptoptions 设置为不压缩 tflite 文件。

aaptOptions {

         noCompress "tflite"

}

总体来说,用 tf.Keras 训练一个简单的图像分类器是轻而易举的,保存 Keras 模型并将其转换为 TFLite 也相当容易。目前,我们在 Android 上实现 TFLite 模型的方法仍然有点单调,希望将来能有所改进。

via:https://medium.com/@margaretmz/e2e-tfkeras-tflite-android-273acde6588

(完)





640?wx_fmt=jpeg

?关注“Python与人工智能社区”


王老湿目前建立了Python、爬虫、数据分析、机器学习、AI实战、自然语言处理、计算机视觉、推荐系统等方向的读者交流群,大家可以添加王老湿的微信进行加群

640?wx_fmt=png
?长按识别,添加王老湿微信



近期专栏推荐 (点击下方标题即可跳转)


1. 

2. 

3. 

4. 

点下「在看」,给文章盖个戳吧!?

RK3566 SBC开发实战:从选型、烧录到GPIO与AI部署完整指南 嵌入式Linux开发中,单板计算机(SBC)选型直接决定项目落地效率。近年来,以瑞芯微RK3566为代表的国产芯片方案凭借高性价比和丰富的软硬件生态,逐渐成为树莓派的务实平替。本文从需求反推出发,解析RK3566 SBC在GPIO控制、系统烧录、Armbian适配及NPU推理等场景下的技术原理与工程实践。通过对比DDR3/DDR4/LPDDR4内存选型、eMMC与TF卡存储方案,详细说明硬件设计要点和踩坑规避方法。同时覆盖Docker容器部署、视频硬解码、智能家居网关等典型应用,帮助开发者快速构建稳定可靠的 阅读详情

相关推荐

H3C设备VRF配置实战:5步搞定多业务网络隔离(附排错技巧)

本文详细介绍了在H3C设备上配置VRF(虚拟路由转发)实现多业务网络隔离的实战方法。通过五步配置流程,从创建VPN-instance、绑定接口到配置独立路由表,帮助网络工程师在单台设备上构建逻辑隔离的企业级网络,并分享了高级路由配置与常见排错技巧。

gold8的专栏 939

训练TFlite模型

Tensorflow训练的模型转换成TFlite可使用的模型Windows篇1. Anaconda2. CUDA and CUDNN3.下载Tensorflow model、 SSD预训练模型和文件库4. 设置conda虚拟环境5. 编译ProtobufLinux篇 (Ubuntu 18.04) 注意:不是所有的模型都可以转换成TFlite模型,本文采用SSD网络模型 由于VC编译器的原因,本文分为上下两部分,第一部分windows篇介绍训练Tensorflow模型 第二部分Linux篇介绍从Tensorf

weixin_43563233的博客 4730

跨域问题 - 其他 method 都没有跨域问题,只有delete有跨域的问题

跨域的配置等一切正常,GETPOSTPUTOPTIONS都可以正常访问, 唯独有一个DELETE有跨域的问题, 经过排查发现这个DELETE请求有body, 经过一系列排查, 发现头部有一个不太正常的值是为了避免浏览器的影响, 直接在 postman 中新建一个请求, 竟然也有跨域的问题, 后来把的值改成了请求就可以正常调用了.

galoiszhou的博客 528

【TF lite】从tensorflow模型训练到lite模型移植

前言 本文使用tensorflow下的ssdlite-mobilenet v2物体检测模型,并转换为tflite模型,并完成测试 1. 安装 TensorFlow Object Detection API 1.1 下载tensorflow-master和models-master 下载地址分别为https://github.com/tensorflow/tensorflow和https:/...

lukaslong的博客 5251

解密Android相机框架:从HAL到应用层的全链路解析

本文深入解析Android相机框架的全链路架构,从应用层到硬件抽象层(HAL)再到驱动层,详细介绍了CamX-CHI架构的设计哲学与实战应用。通过HAL3接口、V4L2交互机制及Camera2 API的最佳实践,帮助开发者优化相机性能,解决多摄切换、预览卡顿等常见问题,提升成像效率与稳定性。

weixin_29238147的博客 408

【大二组培训】2017年电子设计大赛H题总结(软件部分)

文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 一、pandas是什么? 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下(示例): import numpy as np import pandas as pd import matplotlib.pyplot as plt im

HAIBARA的博客 3024

自定义训练 YOLOv8 分割模型,并以 TFlite 部署

如果你以前使用过目标检测,是否曾因边界框未正确包围物体而感到沮丧?或者它提供了错误的或不完整的包围?那可以尝试使用图像分割,它比目标检测更先进,因为它完全包围了物体。对物体进行分割之后,可以快速将其转换为最先进的TensorFlow Lite(TFLite)模型。什么是物体分割?物体分割是一个计算机视觉问题,包括检测和区分图像中的离散物体或感兴趣区域。它也被称为图像或实例分割。物体分割的目的是为图...

Warmer_Sweeter 2778

立创EDA开源足轮机器人:基于STM32F407与ESP32的LQR自平衡与FOC驱动设计全解析

本文详细解析了基于立创EDA平台的开源足轮机器人项目。该项目采用STM32F407作为主控,ESP32负责无线通信,并应用LQR自平衡算法与FOC驱动技术,实现了机器人的稳定站立、移动转向及复杂地形适应能力。文章深入剖析了其硬件架构、软件设计及调试经验,为机器人运动控制学习提供了宝贵参考。

weixin_42608299的博客 234

通过自己的图片数据集训练一个tflite模型

本文旨在通过自己建立的图片数据集训练出一个tflite模型,将从数据集的创建开始直到模型训练成功

yejiujiu_ye的博客 3072

快速傅里叶变换(FFT)的汇编实现在DSP开发中

在数字信号处理(Digital Signal Processing,DSP)开发中,使用汇编语言实现FFT可以进一步提高计算性能和优化系统资源的使用。FFT是一种分治算法,它通过将一个长度为N的离散时间域序列分解为多个长度为N/2的子序列,然后递归地进行计算。开发者可以根据实际需求,结合具体的硬件平台和编译器工具链,对FFT的汇编实现进行优化和定制化。需要注意的是,上述示例代码中只给出了FFT的基本框架,具体的合并操作及其他细节需要根据实际需求进行实现。上述示例代码演示了一个简单的FFT汇编实现。

QoTypescript的博客 685

第五节_PySide6基本窗口控件_主窗口和标签

本文介绍了PySide6中主窗口和标签控件的使用。主要内容包括: 窗口控件分类: QWidget是基础窗口部件,可作为独立窗口或子部件 QMainWindow提供标准应用程序框架,包含菜单栏、工具栏等 QDialog用于对话框,支持模态交互 主窗口创建: 演示了如何创建QMainWindow子类 实现了窗口居中、设置图标、状态栏等功能 提供了窗口几何信息的获取方法 QLabel标签控件: 继承自QFrame类 用于显示文本或图像 文章通过代码示例详细说明了主窗口的创建和使用方法,包括位置控制、图标设置等常见

su桥木的博客 1025

移动端深度学习部署:TFlite

tflite是谷歌自己的一个轻量级推理库。主要用于移动端。使用的思路主要是从预训练的模型转换为tflite模型文件,拿到移动端部署。源模型可以来自tensorflow的saved model或者frozen model,也可以来自keras。

AIGC Studio:分享AIGC前沿知识和好玩应用,公众号同名。 7013

CDD那些事 - DID and SecurityAccess

本文介绍了SecurityAccessSID27的安全访问配置流程:1.通过StateGroups添加Level2群组;2.在Classes定义L2子功能;3.配置4步解锁流程,选择对应解锁等级;4.在DiagnosticInstance设置请求响应。同时说明了DID配置的两种方式:在DIDs页面定义或通过Identification页面创建,前者定义更全面。文章还提到ServiceList支持view/edit模式,其中edit模式可配置DID的多服务支持(如同时支持SID22读取和SID2E写入),但该

ziteng21的博客 258

keras保存模型_手把手教程:如何从零开始训练 TF 模型并在安卓系统上运行

本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型,将 tf.Keras 模型转换为 tflite 格式,并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类,并分享一些你可能会面临的常见问题。本教程着重于端到端的体验,我不会深入探讨各种 tf.Keras API 或 Android 开发。下载我的示例代码并执行以下操作:在 colab 中运行:使用 tf...

weixin_39852953的博客 411

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

怎么将tflite部署在安卓上_手把手教程:如何从零开始训练 TF 模型并在安卓系统上运行...

原标题:手把手教程:如何从零开始训练 TF 模型并在安卓系统上运行本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型,将 tf.Keras 模型转换为 tflite 格式,并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类,并分享一些你可能会面临的常见问题。本教程着重于端到端的体验,我不会深入探讨各种 tf.Keras API 或 Android 开发。...

weixin_31414801的博客 318

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

保存模型后无法训练_手把手教程:如何从零开始训练 TF 模型并在安卓系统上运行...

本教程介绍如何使用 tf.Keras 时序 API 从头开始训练模型,将 tf.Keras 模型转换为 tflite 格式,并在 Android 上运行该模型。我将以 MNIST 数据为例介绍图像分类,并分享一些你可能会面临的常见问题。本教程着重于端到端的体验,我不会深入探讨各种 tf.Keras API 或 Android 开发。下载我的示例代码并执行以下操作:在 colab 中运行:使用 tf...

weixin_35205982的博客 184

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

从入门到部署:主流图像识别框架全解析

本文全面解析了TensorFlow、PyTorch、OpenCV等主流图像识别框架的核心特点、适用场景与实战部署方案。通过深度对比与PyTorch实战案例,帮助开发者从入门到部署,快速掌握如何选择合适的框架并构建高效的图像识别应用,实现从模型训练到生产落地的完整流程。

weixin_29043895的博客 93

Android 机器学习模型的轻量级框架 TensorFlow Lite

TensorFlow Lite 是一款用于在移动设备、嵌入式设备和物联网设备上运行机器学习模型的轻量级框架。它是 TensorFlow 在移动领域的延伸,旨在解决手机等设备上机器学习计算资源有限的问题。TensorFlow Lite 通过优化模型大小、量化和包含特定设备需求的内核等方式实现了高效运行模型的能力。

特立独行的博客 4065

【机器学习】TensorFlowLite安装和模型训练

做AI这部分的开发,还是强烈建议装个Linux双系统或虚拟机。这些比折腾Windows和Mac上的移植环境要轻松得多。Linux,部分库不支持Apple芯片。

天天向上 Up Up Up (*^▽^*) 1554
上一篇: 推荐!985 AI博士和中科院大佬的机器学习必备路线!
下一篇: GBDT+LR算法解析及Python实现
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值