在 iOS 应用中集成 TensorFlow 模型

原文：https://medium.com/hackernoon/integrating-tensorflow-model-in-an-ios-app-cecf30b9068d

http://tomtunguz.com/images/ml_icons.jpg

苹果在 WWDC 2017 上发布了 Core ML framework，允许开发者将机器学习集成到他们的 iOS 应用中。为了开始，苹果提供了一份与核心 ML 框架兼容的列表。这些模型已经可以使用，并且可以集成到 iOS 应用程序中。

但是如果你必须使用深度学习来训练自己的模型呢？幸运的是，谷歌提供了一个名为 TensorFlow 的开源库，它能够基于数值计算创建深度学习图。这意味着你可以开发一个符合你需求的定制深度学习模型。使用 TensorFlow 已经创建了许多不同的模型，但不幸的是，在 iOS 应用程序中使用它们需要大量的工作。最近，Google 发布了一个工具“ tfcoreml ”，它允许开发者将 TensorFlow 模型转换为 coreml 模型。

在这篇文章中，我将解释如何使用 tfcoreml 工具将 TensorFlow 模型转换成 coreml 模型。这个过程很复杂，我花了几天时间才弄明白。特别感谢 Google tfcoreml 团队的持续支持。

安装 tfcoreml

安装 tfcoreml 工具有多种方式。最快的方法是使用 pip 工具来安装它。

pip install -U tfcoreml

在撰写本文时，我建议不要采用上述方法。原因是在 master branch 中对 tfcoreml 工具的源代码进行了一些修复，这些修复只有在您从源代码构建工具时才可用。

要从源安装，您必须克隆 tfcoreml 存储库。

git clone [https://github.com/tf-coreml/tf-coreml.git](https://github.com/tf-coreml/tf-coreml.git)

一旦存储库被克隆，进入目录并运行以下命令:

python setup.py bdist_wheel

最后，使用以下命令安装软件包:

pip install -e .

恭喜您成功安装了 tfcoreml 工具！

转换张量流模型

在执行实际转换之前，让我们先了解一下张量流模型。您可以在文档的末尾找到几个 TensorFlow 兼容模型。我们将使用“Inception v1 (Slim)”模型进行演示。下载该模型，您会注意到它包含两个文件。

inception v1 2016 08 28 _ frozen . Pb
imagenet_slim_labels.txt

文件“inception v1 2016 08 28 _ frozen . Pb”是实际模型，“imagenet slim labels . txt”是类标签。您可以将类标签视为将附加到每个预测的标签/标题。

在文档中，您会看到以下转换代码:

import tfcoreml as tf_converter
tf_converter.convert(tf_model_path = 'my_model.pb',
                     mlmodel_path = 'my_model.mlmodel',
                     output_feature_names = ['softmax:0'])

我创建了一个名为“converter . py的文件，并将上述所有代码放在该文件中。如你所见，我已经用正确的文件名替换了变量。

转到 TensorFlow 模型所在文件夹内的终端，执行 Python 脚本。

python convertor.py

欢迎来到将 TensorFlow 模型转换为 Core ML 的奇妙世界！我知道你在想什么，这是什么意思。Google 的好心人帮我解释说，要让 tfcoreml 工具工作，我需要传递正确的操作符。为了找到操作符，可以将 TensorFlow 模型转换为文本摘要，并在文本文件中搜索操作符。

TensorFlow 工具已经包含用于将模型转换为基于文本的摘要的 Python 脚本。您可以在以下位置查看该脚本的实现:

[tf-coreml](https://github.com/tf-coreml/tf-coreml)/[utils](https://github.com/tf-coreml/tf-coreml/tree/master/utils)/inspect_pb.py

我已经将 inspect_pb.py 文件复制到我的本地文件夹中，这样会更容易引用它。下面的代码展示了如何将 TensorFlow 模型转换成文本摘要。

生成“ text_summary.txt ”文件。在文件的末尾，您将看到特定型号的所有操作符的列表。

OPS counts:
Squeeze : 1
**Softmax : 1**
BiasAdd : 1
Placeholder : 1
AvgPool : 1
Reshape : 2
ConcatV2 : 9
MaxPool : 13
Sub : 57
Rsqrt : 57
Relu : 57
Conv2D : 58
Add : 114
Mul : 114
Identity : 231
Const : 298

现在，让我们搜索 Softmax，您会发现几个不同的条目。我突出显示了与输出特征名称相对应的名称，如下所示: