发布新的中文系列视频 | TensorFlow Lite 概述和模型转化简介

今年三月底，我们在 YouTube 上开通了 TensorFlow 视频频道，今天，我们为大家带来 TensorFlow 频道「Coding TensorFlow 系列」的中文演讲视频，这个系列将会带领大家一起做有关机器学习的编程，并使用 TensorFlow 实现 AI。

我们将于本周一、三、五更新「Coding TensorFlow 系列」的前三个中文视频，并将在 TensorFlow 微信公众号（ID: tensorflowers）首发，欢迎转发和关注！

第一期，Google 的工程师 Yizhen Fu 为你带来 TensorFlow Lite 的概述和模型转化简介，以及使用过程中会接触到的一些概念、术语和资源类型等：

TensorFlow Lite 介绍

首先我们要明确，TensorFlow Lite 的目标是移动和嵌入式设备，它赋予了这些设备在终端本地运行机器学习模型的能力，从而不再需要向云端服务器发送数据。这样一来，不但节省了网络流量、减少了时间开销，而且还充分帮助用户保护自己的隐私和敏感信息。

Android 和 iOS 设备上，TensorFlow Lite 都提供了 C++ API 的支持，并且在 Android 平台还额外提供了 Java API 的支持。这样一来，开发者就能非常方便得使用这些 TensorFlow Lite API 进行设计和开发。不过，默认情况下 TensorFlow Lite 使用的是 CPU 来进行解算，如果你需要使用 Android 8.1 推出的硬件加速 API，则需要确保它运行在受支持的设备上。

模型相关的文件

正是由于 TensorFlow Lite 运行在客户端本地，开发者必须要在桌面设备上提前训练好一个模型。并且为了实现模型的导入，还需要认识一些其他类型的文件，比如：Graph Definition, Checkpoints 以及 Frozen Graph。各种类型的数据都需要使用 Protocol Buffers（简称 ProtoBuff）来定义数据结构，有了这些 ProtoBuff 代码，你就可以使用工具来生成对应的 C 和 Python 或者其它语言的代码，方便装载、保存和使用数据。

ProtoBuff 的相关内容，可以从这个网址得到：

https://developers.google.cn/protocol-buffers/

Graph Def

关于 Graph Def（Graph Definition）文件，有两种格式。拓展名为 .pb 的是二进制 binary 文件；而 .pbtxt 格式的则是更具可读性的文本文件。但是，实际使用中，二进制文件有着相当高的执行效率和内存优势。

Graph Def 是你训练的模型的核心，它定义了 node 的关系结构，方便由其他的进程来读取。比如下面这个 Graph Def 就定义了“矩阵 A 与矩阵 B 相乘得到矩阵 C”的描述。

node {
  name: "a"
  op: "matmul"
}

node {
  name: "b"
  op: "matmul"
  input: "a:0"
}

node {
  name: "c"
  op: "matmul"
  input: "a:0"
  output: "b:0"
}

Checkpoint

Checkpoint 文件是来自 TensorFlow 图的序列化变量。这个文件当中没有图的结构，所以不会被解释。在训练学习的过程中，Checkpoint 文件记录了不同的 Iteration 中变量的取值。

Frozen Graph

用 Graph Def 和 Checkpoint 生成 Frozen Graph 的过程叫做“冷冻”。为什么称之为冷冻呢？我们知道，生成 Frozen Graph 所需要的量都是从 Checkpoint 当中得到的，那么这个变量转为常量的过程就被形象地称之为“冷冻”了。

TensorFlow Lite 模型

TensorFlow Lite 所用的模型是使用 TOCO 工具从 TensorFlow 模型转化而来的，来源就是经过冷冻生成的 Frozen Graph。假如你已经得到了一个“够用”的模型了，而且你也没有源代码或者数据来重新进行训练，那么就使用当前的模型吧，没有任何问题。但如果你有源代码和数据，直接使用 TOCO 工具进行模型转化将会是最好的选择。示例代码如下：

with tf.Session() as sess:
  tflite_model = tf.contrib.lite.toco_convert(sess.graph_def, [img], [out])
  open("converted_model.tflite","wb").write(tflite_model)

TensorFlow Lite 兼容的公开模型

视频中提到的兼容性指南的链接为：

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/lite/g3doc/tf_ops_compatibility.md

在 TensorFlow Lite 中兼容的模型是 Inception v3 和 MobileNets，Inception v3 主要用于验证 ImageNet 数据集，这是一个被学界广泛认定为图片验证指标的数据集。MobileNets 则是转为移动设备而设计的模型，具有低能耗的特征，但相应的缺点就是准确度不如 Inception v3。

现在，开始试试看通过我们的 Codelabs 完成你的第一个 TensorFlow Lite 程序吧，链接：

• 第一部分，如何用 MobileNets 对图像分类：

https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets/index.html 




• 第二部分，如何将第一部分生成的模型构建成一个 APK：

https://codelabs.tensorflowers.cn/codelabs/tensorflow-for-poets-2/index.html

更多链接

我们将稍后在如下官方频道更新本系列视频：

谷歌开发者中文频道：

https://www.youtube.com/GoogleDevelopersChina

谷歌开发者 Youku 频道：

https://i.youku.com/GoogleDevelopers

Google 中国 Bilibili 频道：

https://space.bilibili.com/64169458/