识别手写数字，前提是识别图片已进行预处理，即28×28二值化灰度图
本人开发环境：
- Windows 10
- Python 3.6.6
- TensorFlow 1.9.0
- Android Studio 3.1
一 训练模型成pb文件
下载MNIST数据集，代码详细可看官方文档：http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html
注意：要定义模型的输入层和输出层节点的名字（通过形参 ‘name’指定，后面加载模型都是通过该name来传递数据的）
import input_dataimport tensorflow as tffrom tensorflow.python.framework import graph_util#mnist下载地址mnist = input_data.read_data_sets('./mnist_data/', one_hot=True)
sess = tf.InteractiveSession()
x = tf.placeholder("float32", shape=[None, 784],name='x')
y_ = tf.placeholder("float32", shape=[None, 10],name='y_')def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial)def bias_variable(shape):
initial = tf.constant(0.1, shape=shape) return tf.Variable(initial)def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1,1,1,1], padding="SAME")def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1],
strides=[1,2,2,1], padding="SAME")
W_conv1 = weight_variable([5,5,1,32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([5,5,32,64])
b_conv2 = weight_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)#第3层, 全连接层#这层是拥有1024个神经元的全连接层#W的第1维size为7*7*64，7*7是h_pool2输出的size，64是第2层输出神经元个数W_fc1 = weight_variable([7*7*64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
keep_prob = tf.placeholder("float32",name='keep_prob')
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2,name="y_conv")
y_conv2=tf.nn.softmax(tf.matmul(h_fc1, W_fc2) + b_fc2,name="y_conv2")
cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_predict = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_predict, "float32"))
sess.run(tf.initialize_all_variables())#开始训练模型，循环20000次，每次随机从训练集中抓取50幅图像for i in range(20000):
batch = mnist.train.next_batch(50) if i%100 == 0:
train_accuracy = accuracy.eval(feed_dict={
x:batch[0], y_: batch[1], keep_prob: 1.0}) print ("step %d, training accuracy %g" % (i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})print ("test accuracy %g" % accuracy.eval(feed_dict={
x:mnist.test.images, y_:mnist.test.labels, keep_prob:1.0}))#保存为pb文件constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def, ["y_conv2"])with tf.gfile.FastGFile('./Model_pb/grf.pb', mode='wb') as f:f.write(constant_graph.SerializeToString())二 Android studio配置
1.在Android studio新建Android项目
注意：API最好大于18，因为Trace.beginSection(),Trace.endSection()调用的API最低为18。
2.把训练好的pb文件放入Android项目app/src/main/assets下，若不存在assets目录，右键main->new->Directory，输入assets。
3.将TensoFlow的jar包和so库放在app/libs文件夹下
(1).可从这下载 https://github.com/PanJinquan/Mnist-tensorFlow-AndroidDemo/tree/master/app/libs libtensorflow_inference.so和libandroid_tensorflow_inference_java.jar ；也可自己用bazel编译出so和jar文件。
（2）.在/app/libs下新建armeabi-v7a文件夹，并将libtensorflow_inference.so放进去。 （文件夹名称 与 ARM处理器名称 相同即可）
（3）.将libandroid_tensorflow_inference_java.jar放在/app/libs下，并且右键“add as Libary”。
4.app\build.gradle配置
（1）.在defaultConfig中添加
ndk {
abiFilters "armeabi-v7a"}（2）.在android节点下添加soureSets，用于制定jniLibs的路径
sourceSets {
main {
jniLibs.srcDirs = ['libs']
}
}（3）.在dependencies中（若没有则）增加TensoFlow编译的jar文件libandroid_tensorflow_inference_java.jar
implementation files('libs/libandroid_tensorflow_inference_java.jar')1
5.在gradle.properties中添加下面一行
android.useDeprecatedNdk=true1
三 模型调用
1. 新建类tsf.java，在这个类里面进行模型的调用，并且获取输出
package com.example.lenovo.android_tensorflow;import android.content.res.AssetManager;import android.graphics.Bitmap;import android.os.Trace;import android.util.Log;import org.tensorflow.contrib.android.TensorFlowInferenceInterface;public class tsf {
static { //加载库文件
System.loadLibrary("tensorflow_inference");
} private static final String MODEL_FILE = "file:///android_asset/grf.pb"; //数据的维度
private static final int HEIGHT = 28; private static final int WIDTH = 28; private static final int MAXL = 10; //模型中输入变量的名称
private static final String inputName = "x"; //用于存储的模型输入数据
private float[] inputs = new float[HEIGHT * WIDTH]; //模型中输出变量的名称
private static final String outputName = "y_conv2"; //用于存储模型的输出数据,0-9
private float[] outputs = new float[MAXL];
TensorFlowInferenceInterface inferenceInterface;
tsf(AssetManager assetManager) { //接口定义
inferenceInterface = new TensorFlowInferenceInterface(assetManager,MODEL_FILE);
} //将int数组转化为float数组
public float[] ints2float(int[] src,int w){ float res[]=new float[w]; for(int i=0;i<w;++i) {
res[i]=src[i];
} return res;
} //返回数组中最大值的索引
public int argmax(float output[]){ int maxIndex=0; for(int i=1;i<MAXL;++i){
maxIndex=output[i]>output[maxIndex]? i: maxIndex;
} return maxIndex;
} //将图像像素数据转为一维数组
public int[] getGrayPix_R(Bitmap bp){ int[]pxs=new int[784]; int acc=0; for(int m=0;m<28;++m){ for(int n=0;n<28;++n){
Log.d("12","gray_"+acc+":"+pxs[acc]+"_");
++acc;
}
} return pxs;
} //获得预测结果
public int getAddResult(Bitmap bitmap) { int pxs[]=getGrayPix_R(bitmap);
Trace.beginSection("feed");
inferenceInterface.feed(inputName, ints2float(pxs,784),1, 784);
Trace.endSection(); //获得模型输出结果
Trace.beginSection("run");
String[] outputNames = new String[] {outputName};
inferenceInterface.run(outputNames);
Trace.endSection(); //将输出结果存放到outputs中
Trace.beginSection("fetch");
inferenceInterface.fetch(outputName, outputs);
Trace.endSection(); //类似于tf.argmax()的功能，寻找output中最大值的index
return argmax(outputs);
}
}2.在MainActivity中使用tsf类
可在其它函数里调用tsf，获得识别结果
将已完成预处理的图片放进/app/src/main/res/drawable中
tsf m=new tsf(getAssets());
Bitmap bitmap= BitmapFactory.decodeResource(getResources(),R.drawable.pratice1_1);
int result=m.getAddResult(bitmap);
Log.i("MainActivity","*********** the digit is : "+result);原文出处：https://blog.csdn.net/WintersweetM/article/details/81806589
随时随地看视频
