Android端调用Caffe模型实现CNN分类_android caffe使用

本文的主要内容如下。

• 移动端的深度学习的实现方式
• tiny-cnn介绍以及移动端移植
• 总结与改进
• 应用截图

---

一.移动端深度学习的几种实现方式

(1)Caffe的移动端编译项目

caffe(命令式框架)算是在国内最流行的深度学习开源框架，使用它进行商业，研究的人很多。对于移动端的实现，也有开源项目对caffe进行了移植。
项目连接如下:

android-lib
android-demo

我认识的很多科研院所的朋友以及百度这种大公司他们，在移动端的本地项目中也使用了caffe-Android，证明了该项目有很高的实用性。当然，我认为该项目存在的问题就是模型过大，速度性能很差；当前不支持GPU，无法做到实时；caffe是个通用的框架，调用了很多库，如果只需要做cnn的话，该项目还需要自我定制和瘦身。

---

(2)mxnet的移动端项目

mxnet(符号式框架)主要也是几个中国人一起发起和维护的深度开源项目，足够灵活，速度足够快，扩展新的功能比较容易，内存复用，很有潜力成为未来优秀的深度项目。最关键的是，mxnet本身提供了对android，iOS移动端的的支持。而且最近，mxnet已经 被 Amazon AWS 选为官方深度学习平台。

mxnet实现的简介

项目连接如下:

android-lib

android demo

本人也使用过该项目，其中的感想如下。

1) mxnet明显从本身特点就比caffe更适合移动端，因为依赖少，内存要求少，对于android性能变化大的手机，通用性更高。

2) mxnet需要先使用ndk交叉编译项目中的amalgamation，可以根据自己的需求，修改jni中的接口，然后，编译好的动态链接库替换掉android demo 中的。不过在编译过程中我遇到了很多的问题，编译成功也不是很简单的事情。

3)mxnet 提供了对caffe 模型的支持，那么即使你用caffe训练好的模型，也可以通过提供的工具讲其进行转化json格式，然后就可以在mxnet 上使用，自然也可以在移动端使用，不过我在使用过程中也遇到了一个问题，比如prelu激活函数，mxnet本身支持的，但是转化工具不支持，所以，我训练的caffe模型一直转化不成功，但是最后改了工具的源码，就解决了这个问题。当然，mxnet提供的caffe_converter是很多坑的，很多模型都转化不成功，这个如果对caffe模型很熟悉的话，这些问题也许很容易解决。

caffe_converter

---

(3)tensorflow的移动端项目

tensorflow是google开源的，是最有竞争力成为未来深度框架的主流。而且，对android端的支持也是官方提供的，毕竟google公司自己的os。

android build

简单总结
除了以上介绍的深度框架，还有torch

torch android

以上框架都是很流行，很通用的，自然带来的问题就是，过于庞大对于android系统来说，所以，如果要实现一个相对单一的深度算法，那么，我们必须需要对其进行瘦身。移动端，在不需要实时的项目中，对gpu的要求不高，但是如果能提供对gpu的支持，那么项目的性能自然可以提高很多，但是，大部分android端手机，gpu不支持cuda，所以以上介绍的深度框架，只能使用cpu-only模型进行前向传播，不过为了能利用到gpu，有一个解决方案是使用opencl进行gpu加速。我这个没有尝试过，有兴趣的人可以看下这个开源项目。

Opencl libdnn

当然，最新的nvidia 提供了android端的gpu开发接口。

Andorid-works

而且支持非Nvidia的Tegra处理器的Android设备和支持各个版本的Android系统。

---

二.tiny-cnn的移动端移植

tiny-cnn相对于上述的开源深度框架来说就小的多，而且是完全的C++11版本的卷积神经网络的实现，这个开源项目维护的人也很多，本人也参与到其中。

tiny-cnn

本人对tiny-cnn进行了android端的移植，做了开源项目，而且，本身tiny-cnn支持caffe模型的转化，所以，最新的android版本也支持了caffe模型。

开源项目地址和详细介绍如下。

cnnforandroid

tinycnn for android 的优缺点。

---

三.专注移动端的Caffe2go项目

在手机端一直深度学习的算法，估计很多实验室和科技公司早就做了，不过很多估计是不开源的。
11月9号，贾扬清在facebook上发布了一篇文章，关于手机深度学习项目caffe2go的详细介绍和应用。项目是专门为手机定制的深度框架，是在caffe2 的基础上进行迁移的，目的就是让最普遍的智能设备——手机也能广泛高效地应用深度学习算法。

关于caffe2的，介绍:

Caffe2 is a deep learning framework made with expression, speed, and modularity in mind. It is an experimental refactoring of Caffe, and allows a more flexible way to organize computation.

Github链接:

https://github.com/caffe2/caffe2

当然，caffe2go有一下几个特点:

(1)专注手机端
之前说了，真正做到手机端是很简单的事情，关键就是技术优化。
caffe2go的给的测试是风格化转换的实时处理。关于优化，文章说明了几点。

• 模型压缩
• 通过使用移动 CPU 中被称为 NEON 的功能，可以显著提高运算速度
• 模型中，优化了卷积层的数量
• 调整了处理过程中的空间分辨率（spatial resolution），更早地使用pooling层。

有几点是很难理解的。只能等待caffe2go尽快发布。

(2)CPU而非GPU
我们都知道印象中的深度学习是离不开GPU的，及时只是运行模型，而且是实时的情况下。caffe2go在手机端，是运行在cpu下的，这就能保证了框架的普遍适用性。毕竟对于Android手机来说，并没有统一的硬件标准，也没有统一的GPU型号，所以就很难做到一个框架支持所有手机。这应该是facebook选择使用cpu而非GPU的一个原因。
关于当前主流手机的GPU型号。看一下列表。

值得注意的是，当前，嵌入式设备(Android手机等)的GPU,实际上要比CPU要慢得多。所以，估计贾应该也做了GPU的，但是效果不好，因此并没有强调。

(3)强调本地，而非云。

我们都知道，关于深度学习的处理，完全可以不通过本地调用，而是远程获取，但是通过caffe2go的目标，则与此相反。他们认为随着硬件的发展，本地的运算消耗是要比远程请求更节约时间，更方便的。

---

四.总结与未来改进

• 总结

  以上提到的方式都有优缺点，可以根据自己的项目定位和需求进行选择。如果模型不大，tiny-cnn 的 android版本还是很适合的。当然，如果论未来的话，我个人比较推崇tensorflow，毕竟google是干爹。还有就是关注caffe2go开源情况。总的来说，移动平台必然是以后深度学习算法的一个广泛的应用平台。

• 项目改进

  本人对tiny-cnn移植的工作，未来的改进，大概就是提供对更多的层的支持，以及使用opencl来进行gpu加速。整个项目，将改成makefile编译的形式。

四.应用截图

我的开源项目，提供了两个分类的例子，一个是使用tiny-cnn自己训练的模型——车标识别；一个是使用caffe训练的模型——性别识别。具体看github链接。

---

项目地址: cnnforandroid

---