如果您希望能有一種簡單、高效且靈活的方式把 TensorFlow 模型集成到 Flutter 應用里，那請您一定不要錯過我們今天介紹的這個全新插件 tflite_flutter，這個插件的開發者是 Google Summer of Code(GSoC) 的一名實習生 Amish Garg，本文來自他在 Medium 上的一篇文章《在 Flutter 中使用 TensorFlow Lite 插件實作文字分類》，
tflite_flutter 插件的核心特性：
- 它提供了與 TFLite Java 和 Swift API 相似的 Dart API，所以其靈活性和在這些平臺上的效果是完全一樣的
- 通過 dart:ffi 直接與 TensorFlow Lite C API 相系結，所以它比其它平臺集成方式更加高效，
- 無需撰寫特定平臺的代碼，
- 通過 NNAPI 提供加速支持，在 Android 上使用 GPU Delegate，在 iOS 上使用 Metal Delegate，
本文中，我們將使用 tflite_flutter 構建一個 文字分類 Flutter 應用 帶您體驗 tflite_flutter 插件，首先從新建一個 Flutter 專案 text_classification_app 開始，
初始化配置
Linux 和 Mac 用戶
將 install.sh 拷貝到您應用的根目錄，然后在根目錄執行 sh install.sh，本例中就是目錄 text_classification_app/，
Windows 用戶
將 install.bat 檔案拷貝到應用根目錄，并在根目錄運行批處理檔案 install.bat，本例中就是目錄 text_classification_app/，
它會自動從 release assets 下載最新的二進制資源，然后把它放到指定的目錄下，
請點擊到 README 檔案里查看更多 關于初始配置的資訊，
獲取插件
在 pubspec.yaml 添加 tflite_flutter: ^<latest_version> （詳情），
下載模型
要在移動端上運行 TensorFlow 訓練模型，我們需要使用 .tflite 格式，如果需要了解如何將 TensorFlow 訓練的模型轉換為 .tflite 格式，請參閱官方指南，
這里我們準備使用 TensorFlow 官方站點上預訓練的文字分類模型，可從這里下載，
該預訓練的模型可以預測當前段落的情感是積極還是消極，它是基于來自 Mass 等人的 Large Movie Review Dataset v1.0 資料集進行訓練的，資料集由基于 IMDB 電影評論所標記的積極或消極標簽組成，點擊查看更多資訊，
將 text_classification.tflite 和 text_classification_vocab.txt 檔案拷貝到 text_classification_app/assets/ 目錄下，
在 pubspec.yaml 檔案中添加 assets/，
assets:
- assets/現在萬事俱備，我們可以開始寫代碼了， 🚀
實作分類器
預處理
正如 文字分類模型頁面 里所提到的，可以按照下面的步驟使用模型對段落進行分類：
- 對段落文本進行分詞，然后使用預定義的詞匯集將它轉換為一組詞匯 ID；
- 將生成的這組詞匯 ID 輸入 TensorFlow Lite 模型里；
- 從模型的輸出里獲取當前段落是積極或者是消極的概率值，
我們首先寫一個方法對原始字串進行分詞，其中使用 text_classification_vocab.txt 作為詞匯集，
在 lib/ 檔案夾下創建一個新檔案 classifier.dart，
這里先寫代碼加載 text_classification_vocab.txt 到字典里，
import 'package:flutter/services.dart';
class Classifier {
final _vocabFile = 'text_classification_vocab.txt';
Map<String, int> _dict;
Classifier() {
_loadDictionary();
}
void _loadDictionary() async {
final vocab = await rootBundle.loadString('assets/$_vocabFile');
var dict = <String, int>{};
final vocabList = vocab.split('\n');
for (var i = 0; i < vocabList.length; i++) {
var entry = vocabList[i].trim().split(' ');
dict[entry[0]] = int.parse(entry[1]);
}
_dict = dict;
print('Dictionary loaded successfully');
}
}加載字典
現在我們來撰寫一個函式對原始字串進行分詞，
import 'package:flutter/services.dart';
class Classifier {
final _vocabFile = 'text_classification_vocab.txt';
// 單句的最大長度
final int _sentenceLen = 256;
final String start = '<START>';
final String pad = '<PAD>';
final String unk = '<UNKNOWN>';
Map<String, int> _dict;
List<List<double>> tokenizeInputText(String text) {
// 使用空格進行分詞
final toks = text.split(' ');
// 創建一個串列，它的長度等于 _sentenceLen，并且使用 <pad> 的對應的字典值來填充
var vec = List<double>.filled(_sentenceLen, _dict[pad].toDouble());
var index = 0;
if (_dict.containsKey(start)) {
vec[index++] = _dict[start].toDouble();
}
// 對于句子里的每個單詞在 dict 里找到相應的 index 值
for (var tok in toks) {
if (index > _sentenceLen) {
break;
}
vec[index++] = _dict.containsKey(tok)
? _dict[tok].toDouble()
: _dict[unk].toDouble();
}
// 按照我們的解釋器輸入 tensor 所需的形狀 [1,256] 回傳 List<List<double>>
return [vec];
}
}
使用 tflite_flutter 進行分析
這是本文的主體部分，這里我們會討論 tflite_flutter 插件的用途，
這里的分析是指基于輸入資料在設備上使用 TensorFlow Lite 模型的處理程序，要使用 TensorFlow Lite 模型進行分析，需要通過 解釋器 來運行它，了解更多，
創建解釋器，加載模型
tflite_flutter 提供了一個方法直接通過資源創建解釋器，
static Future<Interpreter> fromAsset(String assetName, {InterpreterOptions options})由于我們的模型在 assets/ 檔案夾下，需要使用上面的方法來創建決議器，對于 InterpreterOptions 的相關說明，請 參考這里，
import 'package:flutter/services.dart';
// 引入 tflite_flutter
import 'package:tflite_flutter/tflite_flutter.dart';
class Classifier {
// 模型檔案的名稱
final _modelFile = 'text_classification.tflite';
// TensorFlow Lite 解釋器物件
Interpreter _interpreter;
Classifier() {
// 當分類器初始化以后加載模型
_loadModel();
}
void _loadModel() async {
// 使用 Interpreter.fromAsset 創建解釋器
_interpreter = await Interpreter.fromAsset(_modelFile);
print('Interpreter loaded successfully');
}
}
創建解釋器的代碼
如果您不希望將模型放在 assets/ 目錄下，tflite_flutter 還提供了工廠建構式創建解釋器，更多資訊，
我們開始進行分析！
現在用下面方法啟動分析：
void run(Object input, Object output);注意這里的方法和 Java API 中的是一樣的，
Object input 和 Object output 必須是和 Input Tensor 與 Output Tensor 維度相同的串列，
要查看 input tensors 和 output tensors 的維度，可以使用如下代碼：
_interpreter.allocateTensors();
// 列印 input tensor 串列
print(_interpreter.getInputTensors());
// 列印 output tensor 串列
print(_interpreter.getOutputTensors());在本例中 text_classification 模型的輸出如下：
InputTensorList:
[Tensor{_tensor: Pointer<TfLiteTensor>: address=0xbffcf280, name: embedding_input, type: TfLiteType.float32, shape: [1, 256], data: 1024]
OutputTensorList:
[Tensor{_tensor: Pointer<TfLiteTensor>: address=0xbffcf140, name: dense_1/Softmax, type: TfLiteType.float32, shape: [1, 2], data: 8]現在，我們實作分類方法，該方法回傳值為 1 表示積極，回傳值為 0 表示消極，
int classify(String rawText) {
// tokenizeInputText 回傳形狀為 [1, 256] 的 List<List<double>>
List<List<double>> input = tokenizeInputText(rawText);
// [1,2] 形狀的輸出
var output = List<double>(2).reshape([1, 2]);
// run 方法會運行分析并且存盤輸出的值
_interpreter.run(input, output);
var result = 0;
// 如果輸出中第一個元素的值比第二個大，那么句子就是消極的
if ((output[0][0] as double) > (output[0][1] as double)) {
result = 0;
} else {
result = 1;
}
return result;
}
用于分析的代碼
在 tflite_flutter 的 extension ListShape on List 下面定義了一些使用的擴展：
// 將提供的串列進行矩陣變形，輸入引數為元素總數 // 保持相等
// 用法：List(400).reshape([2,10,20])
// 回傳 List<dynamic>
List reshape(List<int> shape)
// 回傳串列的形狀
List<int> get shape
// 回傳串列任意形狀的元素數量
int get computeNumElements
最終的 classifier.dart 應該是這樣的：
import 'package:flutter/services.dart';
// 引入 tflite_flutter
import 'package:tflite_flutter/tflite_flutter.dart';
class Classifier {
// 模型檔案的名稱
final _modelFile = 'text_classification.tflite';
final _vocabFile = 'text_classification_vocab.txt';
// 陳述句的最大長度
final int _sentenceLen = 256;
final String start = '<START>';
final String pad = '<PAD>';
final String unk = '<UNKNOWN>';
Map<String, int> _dict;
// TensorFlow Lite 解釋器物件
Interpreter _interpreter;
Classifier() {
// 當分類器初始化的時候加載模型
_loadModel();
_loadDictionary();
}
void _loadModel() async {
// 使用 Intepreter.fromAsset 創建決議器
_interpreter = await Interpreter.fromAsset(_modelFile);
print('Interpreter loaded successfully');
}
void _loadDictionary() async {
final vocab = await rootBundle.loadString('assets/$_vocabFile');
var dict = <String, int>{};
final vocabList = vocab.split('\n');
for (var i = 0; i < vocabList.length; i++) {
var entry = vocabList[i].trim().split(' ');
dict[entry[0]] = int.parse(entry[1]);
}
_dict = dict;
print('Dictionary loaded successfully');
}
int classify(String rawText) {
// tokenizeInputText 回傳形狀為 [1, 256] 的 List<List<double>>
List<List<double>> input = tokenizeInputText(rawText);
//輸出形狀為 [1, 2] 的矩陣
var output = List<double>(2).reshape([1, 2]);
// run 方法會運行分析并且將結果存盤在 output 中，
_interpreter.run(input, output);
var result = 0;
// 如果第一個元素的輸出比第二個大，那么當前陳述句是消極的
if ((output[0][0] as double) > (output[0][1] as double)) {
result = 0;
} else {
result = 1;
}
return result;
}
List<List<double>> tokenizeInputText(String text) {
// 用空格分詞
final toks = text.split(' ');
// 創建一個串列，它的長度等于 _sentenceLen，并且使用 <pad> 對應的字典值來填充
var vec = List<double>.filled(_sentenceLen, _dict[pad].toDouble());
var index = 0;
if (_dict.containsKey(start)) {
vec[index++] = _dict[start].toDouble();
}
// 對于句子中的每個單詞，在 dict 中找到相應的 index 值
for (var tok in toks) {
if (index > _sentenceLen) {
break;
}
vec[index++] = _dict.containsKey(tok)
? _dict[tok].toDouble()
: _dict[unk].toDouble();
}
// 按照我們的解釋器輸入 tensor 所需的形狀 [1,256] 回傳 List<List<double>>
return [vec];
}
}
現在，可以根據您的喜好實作 UI 的代碼，分類器的用法比較簡單，
// 創建 Classifier 物件
Classifer _classifier = Classifier();
// 將目標陳述句作為引數，呼叫 classify 方法
_classifier.classify("I liked the movie");
// 回傳 1 （積極的）
_classifier.classify("I didn't liked the movie");
// 回傳 0 （消極的）請在這里查閱完整代碼：Text Classification Example app with UI，
文字分類示例應用
了解更多關于 tflite_flutter 插件的資訊，請訪問 GitHub repo: am15h/tflite_flutter_plugin，
答疑
問：tflite_flutter 和 tflite v1.0.5 有哪些區別？
tflite v1.0.5 側重于為特定用途的應用場景提供高級特性，比如圖片分類、物體檢測等等，而新的 tflite_flutter 則提供了與 Java API 相同的特性和靈活性，而且可以用于任何 tflite 模型中，它還支持 delegate，
由于使用 dart:ffi (dart ?? (ffi) ?? C)，tflite_flutter 非常快 (擁有低延時)，而 tflite 使用平臺集成 (dart ?? platform-channel ?? (Java/Swift) ?? JNI ?? C)，
問：如何使用 tflite_flutter 創建圖片分類應用？有沒有類似 TensorFlow Lite Android Support Library 的依賴包？
更新（07/01/2020）: TFLite Flutter Helper 開發庫已發布，
TensorFlow Lite Flutter Helper Library 為處理和控制輸入及輸出的 TFLite 模型提供了易用的架構，它的 API 設計和檔案與 TensorFlow Lite Android Support Library 是一樣的，更多資訊請 參考這里，
以上是本文的全部內容，歡迎大家對 tflite_flutter 插件進行反饋，請在這里 上報 bug 或提出功能需求，
謝謝關注，
感謝 Michael Thomsen，
致謝
- 譯者：Yuan，谷創字幕組
- 審校：Xinlei、Lynn Wang、Alex，CFUG 社區，
本文聯合發布在 TensorFlow 線上討論區、101.dev 和 Flutter 中文檔案，以及 Flutter 社區線上渠道，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/66718.html
標籤：AI