运行 Android 上的 Tensorflow 模型

Question

我正在尝试找出在 Android 上训练和部署 Tensorflow 模型的工作流程。我知道 Whosebug 上的其他问题与此类似，但其中 none 似乎解决了我运行遇到的问题。

研究了 Tensorflow 存储库中的 Android 示例后，我认为工作流程应该是这样的：

在 Python 中构建和训练 Tensorflow 模型。
创建一个新图，并将所有相关节点（即不负责训练的节点）转移到这个新图。经过训练的权重变量作为常量导入，以便 C++ API 可以读取它们。
在 Java 中开发 Android GUI，使用 native 关键字来停止对 Tensorflow 模型的调用。
运行 javah 为 Tensorflow 本机调用生成 C/C++ 存根代码。
通过使用 Tensorflow C++ API 读取并访问 trained/serialized 模型来填写存根。
使用 Bazel 构建 Java 应用程序、原生 Tensorflow 接口（作为 .so 文件），并生成 APK。
使用 adb 部署 APK。

第6步有问题。 Bazel 会愉快地编译一个本地（到 OSX）.dylib，我可以通过 JNI 从 Java 调用它。 Android Studio 同样会生成一大堆 XML 代码来生成我想要的 GUI。但是，Bazel 希望所有 java 应用程序代码都位于 'WORKSPACE' 顶级目录（在 Tensorflow 存储库中），并且 Android Studio 立即链接到来自用于制作 GUI 的 SDK（我知道是因为我的 Bazel 编译运行在找不到这些资源时失败了）。我能找到强制 Bazel 交叉编译 .so 文件的唯一方法是使它成为 Android 规则的依赖规则。直接交叉编译本机库是我更喜欢移植我的 A.S。代码到 Bazel 项目。

我如何计算这个平方？ Bazel 应该会编译 Android 代码，但 Android Studio 生成 Bazel 无法编译的代码。 Google 中的所有示例只是为您提供了来自存储库的代码，而没有任何关于它是如何生成的线索。据我所知，Android Studio 应用程序的一部分 XML 应该是生成的，而不是手工制作的。如果可以手工制作，我该如何避免使用所有这些外部库？

也许我的工作流程有误，或者 Bazel/Android Studio 的某些方面我不理解。任何帮助表示赞赏。

谢谢！

编辑：

我最终做的几件事可能有助于图书馆的成功建设：

我升级到最新的 Bazel。
我从源代码重建了 TensorFlow。

我在下面实现了推荐的 Bazel BUILD 文件，并添加了一些内容（取自 Android 示例）：

cc_binary(
name = "libName.so",
srcs = ["org_tensorflowtest_MyActivity.cc", 
        "org_tensorflowtest_MyActivity.h",
        "jni.h",
        "jni_md.h",
        ":libpthread.so"],
deps = ["//tensorflow/core:android_tensorflow_lib",
        ],
copts = [
    "-std=c++11",
    "-mfpu=neon",
    "-O2",
],
linkopts = ["-llog -landroid -lm"],
linkstatic = 1,
linkshared = 1,
)

cc_binary(
     name = "libpthread.so",
     srcs = [],
     linkopts = ["-shared"],
     tags = [
         "manual",
         "notap",
     ],
)

我还没有验证这个库是否可以在 Android 中加载和使用； Android Studio 1.5 似乎对承认原生库的存在非常挑剔。

Answer 1

在您的 WORKSPACE 文件中设置 Android NDK 后，Bazel 可以 cross-compile 为 Android 创建 .so，如下所示：

cc_binary(
    name = "libfoo.so",
    srcs = ["foo.cc"],
    deps = [":bar"],
    linkstatic = 1,
    linkshared = 1,
)

$ bazel build foo:libfoo.so \
    --crosstool_top=//external:android/crosstool --cpu=armeabi-v7a \
    --host_crosstool_top=@bazel_tools//tools/cpp:toolchain
$ file bazel-bin/foo/libfoo.so
bazel-bin/foo/libfoo.so: ELF 32-bit LSB  shared object, ARM, EABI5 version 1 (SYSV), dynamically linked (uses shared libs), not stripped

Bazel wants all of the java app code to be inside the 'WORKSPACE' top-level directory (in the Tensorflow repo)

当 0.1.4 发布（立即推送）并且我们推送了一些对 TensorFlow 和 Protobuf 的修复时，您可以开始使用 TensorFlow 存储库作为远程存储库。在您的 WORKSPACE 文件中进行设置后，您可以使用 @tensorflow//foo/bar 标签参考 TensorFlow 规则。

Answer 2

git clone --recurse-submodules https://github.com/tensorflow/tensorflow.git

注意：--recurse-submodules 对于拉取子模块很重要。

从这里安装 Bazel。 Bazel 是 TensorFlow 的主要构建系统。现在，编辑WORKSPACE，我们可以在我们之前克隆的TensorFlow的根目录中找到WORKSPACE文件。

# Uncomment and update the paths in these entries to build the Android demo.
#android_sdk_repository(
#    name = "androidsdk",
#    api_level = 23,
#    build_tools_version = "25.0.1",
#    # Replace with path to Android SDK on your system
#    path = "<PATH_TO_SDK>",
#)
#
#android_ndk_repository(
#    name="androidndk",
#    path="<PATH_TO_NDK>",
#    api_level=14)

像下面我们的 sdk 和 ndk 路径：

android_sdk_repository(
    name = "androidsdk",
    api_level = 23,
    build_tools_version = "25.0.1",
    # Replace with path to Android SDK on your system
    path = "/Users/amitshekhar/Library/Android/sdk/",
)
android_ndk_repository(
    name="androidndk",
    path="/Users/amitshekhar/Downloads/android-ndk-r13/",
    api_level=14)

然后构建.so文件。

bazel build -c opt //tensorflow/contrib/android:libtensorflow_inference.so \
   --crosstool_top=//external:android/crosstool \
   --host_crosstool_top=@bazel_tools//tools/cpp:toolchain \
   --cpu=armeabi-v7a

用我们想要的目标架构替换 armeabi-v7a。图书馆将位于：

bazel-bin/tensorflow/contrib/android/libtensorflow_inference.so

构建 Java 副本：

bazel build //tensorflow/contrib/android:android_tensorflow_inference_java

我们可以在以下位置找到 JAR 文件：

bazel-bin/tensorflow/contrib/android/libandroid_tensorflow_inference_java.jar

现在我们有了 jar 和 .so 文件。我已经构建了.so文件和jar，你可以直接使用project.

将 libandroid_tensorflow_inference_java.jar 放入 libs 文件夹中，然后右键单击并添加为库。

compile files('libs/libandroid_tensorflow_inference_java.jar')

在主目录中创建 jniLibs 文件夹，并将 libtensorflow_inference.so 放入 jniLibs/armeabi-v7a/ 文件夹中。

现在，我们将能够调用 TensorFlow Java API.

TensorFlow Java API 已经通过 class TensorFlowInferenceInterface 公开了所有必需的方法。

现在，我们必须使用模型路径调用 TensorFlow Java API 并加载它。

我写了一个完整的博客here。

运行 Android 上的 Tensorflow 模型

Running a Tensorflow model on Android

android

tensorflow

bazel