iOS相比Android移植TensorFlow没那么方便，要用C++来编写，接下来讲一下iOS调用TensorFlow的过程。

• 引入依赖

在Podfile中加入pod 'TensorFlow-experimental'，再在terminal中cd进项目目录输入pod install即可安装依赖。

• 复制PB文件

快速开发的话直接把PB文件放在data文件夹里就行，如果正式上线的时候觉得PB文件一起打包较大的话可以放在服务器，打开APP的时候提示下载再复制进去就好。

• 引入头文件、命名空间

#import <opencv2/imgcodecs/ios.h>#include "tensorflow/cc/ops/const_op.h"#include "tensorflow/core/framework/op_kernel.h"#include "tensorflow/core/public/session.h"#include <tensorflow/core/kernels/reshape_op.h>#include <tensorflow/core/kernels/argmax_op.h>using namespace tensorflow;using namespace tensorflow::core;

• 处理数据

图像处理相比于Android的bitmap操作还是较为麻烦，iOS需要用到opencv，所以还需要引入opencv的依赖，通过cv的UIImageToMat方法吧UIImage转成cv::Mat再进行矩阵操作（类似：灰度处理、归一化、平展）

UIImage *image = [UIImage imageNamed:@"OOLU8095571.jpg"];    self.preImageView.contentMode = UIViewContentModeRedraw;    UIImageToMat(image,cvMatImage);    cvMatImage.convertTo(cvMatImage, CV_32F, 1.0/255., 0);//归一化    cv::Mat reshapeMat= cvMatImage.reshape(0,1);//reshape    NSString* inference_result = RunModel(reshapeMat);    self.urlContentTextView.text = inference_result;

RunModel(reshapeMat)就是把处理过的数据传递给TensorFlow去运算了。

• 定义常量

这里跟Android差不多，定义一些必要的常量，输入输出节点，输出输出节点数据，图像尺寸、通道等

    std::string input_layer = "inputs/X";    std::string output_layer = "output/predict";    tensorflow::Tensor x(                         tensorflow::DT_FLOAT,    tensorflow::TensorShape({wanted_height*wanted_width}));    std::vector<tensorflow::Tensor> outputs;        const int wanted_width = 256;    const int wanted_height = 64;    const int wanted_channels = 1;

• 创建session

这里跟Android不同，需要手动创建session

    tensorflow::SessionOptions options;        tensorflow::Session* session_pointer = nullptr;    tensorflow::Status session_status = tensorflow::NewSession(options, &session_pointer);    if (!session_status.ok()) {        std::string status_string = session_status.ToString();        return [NSString stringWithFormat: @"Session create failed - %s",                status_string.c_str()];    }    std::unique_ptr<tensorflow::Session> session(session_pointer);

• 载入graph

    tensorflow::GraphDef tensorflow_graph;    NSString* network_path = FilePathForResourceName(@"rounded_graph", @"pb");    PortableReadFileToProto([network_path UTF8String], &tensorflow_graph);        tensorflow::Status s = session->Create(tensorflow_graph);    if (!s.ok()) {        LOG(ERROR) << "Could not create TensorFlow Graph: " << s;        return @"";    }

其中FilePathForResourceName是返回graph的地址

NSString* FilePathForResourceName(NSString* name, NSString* extension) {    NSString* file_path = [[NSBundle mainBundle] pathForResource:name ofType:extension];    if (file_path == NULL) {        LOG(FATAL) << "Couldn't find '" << [name UTF8String] << "."           << [extension UTF8String] << "' in bundle.";    }    return file_path;}

PortableReadFileToProto是把graph读到内存中并赋值给tensorflow_graph，并使用session->Create(tensorflow_graph)把graph载入到session中。

• 输入数据的类型转换

输入到TensorFlow的数据不能是mat类型的所以进行mat转vector操作

    vector<float> Vmat;    Vmat.assign ( ( float* )ImageMat.datastart, ( float* )ImageMat.dataend );    auto dst = x.flat<float>().data();    auto img = Vmat;    std::copy_n(img.begin(), wanted_width*wanted_height, dst);

• run session

tensorflow::Status run_status = session->Run({{input_layer, x}},                                                 {output_layer}, {}, &outputs);    if (!run_status.ok()) {        LOG(ERROR) << "Running model failed: " << run_status;        tensorflow::LogAllRegisteredKernels();        result = @"Error running model";        return result;    }

• 数据变换

使用operator方法获取到tensor中的每一个元素值，重新赋值给array。

auto outputMatrix = outputs[0].flat<int64>();    array<long,11> outputArray;    for(int i=0;i<11;i++){        outputArray[i]=outputMatrix.operator()(i);    }NSString *predictionstr = vec2text(outputArray);

获取完之后需要对数据进行处理，比如我们做的vector转text。

NSString* vec2text(array<long,11> outputArray) {    std::stringstream ss;    ss.precision(12);    ss <<"Prediction:";    for(int i=0;i<11;i++){        long char_idx=outputArray[i];        long char_code = 0;        if (char_idx<10){            char_code = char_idx + int('0');        }        else if (char_idx<36){            char_code = char_idx-10 + int('A');        }        else if (char_idx<62){            char_code = char_idx + int('a');        }        ss << char(char_code);    }    tensorflow::string predictions = ss.str();    NSString* result = [NSString stringWithFormat: @"%s",              predictions.c_str()];    return result;}

iOS调用TensorFlow的基础运用就这样，高级用法可以使用MemoryMappedModel，这种方法会比较节省内存，更加优雅。

原著是一个有趣的人,若有侵权,请通知删除