AI on Android:安卓平台上的人工智能应用实战（02.模型的再训练）_android ai库

AI on Android:安卓平台上的人工智能应用实战（02.模型的再训练）

AI on Android:安卓平台上的人工智能应用实战（01.环境的搭建）：https://blog.csdn.net/NJP_NJP/article/details/88366318

上一篇我们介绍了Windows10x64系统平台上的环境搭建过程，其他系统环境的待见过程很类似，具体请查看各个官网。搭建好了环境之后我们就来使用我们的工具来完成一个图像分类模型的再训练过程。

推荐官方教程：https://tensorflow.google.cn/hub/tutorials/image_retraining

官网上关于模型的再训练过程讲解的很详细，想深入了解原理的同学推荐可以去官网阅读一下。

第一步：克隆Github项目到本地

为了更好地帮助大家学习和实践，我将官方的实例代码整合并修改了一下：https://github.com/NaJiPeng/AI-On-Android.git

项目中有两个文件夹：retrain和tflite，retrain是我们再训练模型时要用到的，tflite是我们将模型接入Android应用中要用到的。

retrain项目中有两个.py文件,retrain.py是用来再训练模型的，label_image.py是用来测试我们训练好的模型的。项目文件中还有一个flower_photos目录，其中还有几个以花的名称命名的子目录，子目录中就是用来训练模型的各个种类的花的图片了。

tflite项目是一个Android项目，项目结构与正常的Android项目一致就不多做介绍了。值得注意的是在assets目录中有三个文件：BUILD文件，graph.lite文件和labels.txt文件，其中决定图像识别结果的就是graph.lite文件，模型运作时模型加载器会加载这个.lite文件，再通过labels.txt的标签列表将图像识别结果转换成我们可以看得懂的形式输出。

我们将项目克隆到本地之后就可以进行下一步啦。

第二步：执行模型再训练过程

在运行retrain.py之前我们先打开项目看看代码：选中retrain文件夹，鼠标右键选中“Open Folder as a PyCharm Community Edition Project”,用PyCharm打开项目，接着打开retrain.py查看代码（如果提示错误别忘记更改项目的Python解释器，具体步骤见上一篇文章）。

为了方便调试与修改，我将脚本中可能会用到的参数抽取成了一个参数列表放在了retrain.py的文件头部：

# 参数配置列表：

# 所需图片的文件夹
IMAGE_DIR = "flower_photos"
# 训练完成的graph的保存位置
OUTPUT_GRAPH = "flower_output/graph.pb"
# 多少步保存一次中间graph，0表示不保存中间graph
INTERMEDIATE_STORE_FREQUENCY = 0
# 中间graph的保存位置
INTERMEDIATE_OUTPUT_GRAPHS_DIR = "flower_output/intermediate_graph/"
# 标签列表文件的保存位置
OUTPUT_LABELS = "flower_output/labels.txt"
# TensorBoard摘要文件的保存位置（TensorBoard可用于可视化训练过程）
SUMMARIES_DIR = "flower_output/retrain_logs"
# 检查点名称
CHECKPOINT_NAME = "flower_output/_retrain_checkpoint"
# 训练步数
HOW_MANY_TRAINING_STEPS = 4000
# 学习率
LEARNING_RATE = 0.01
# 要用作测试集的图像的百分比
TESTING_PERCENTAGE = 10
# 要用作验证集的图像的百分比
VALIDATION_PERCENTAGE = 10
# 多少步评估一次训练结果
EVAL_STEP_INTERVAL 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25