袁州电工培训学校,袁州电工培训班

袁州电工培训班,袁州电工培训学校简介：此处的分析指的是在设备上基于输入的数据，使用 TensorFlow Lite 模型的处理过程。要使用 TensorFlow Lite 模型进行分析，需要通过解释器来运行它，了解更多。

袁州电工培训学校信息内容：,

如果您希望能有一种简单、高效且灵活的方式把 TensorFlow 模型集成到 Flutter 应用里，那请您一定不要错过我们今天介绍的这个全新插件tflite_flutter。这个插件的开发者是 Google Summer of Code (GSoC) 的一名实习生 Amish Garg。

tflite_flutter插件的核心特性：

插件提供了与 TFLite Java 和 Swift API 相似的 Dart API，所以其灵活性和在这些平台上的效果是完全一样的；

插件通过 dart:ffi 直接与 TensorFlow Lite C API 相绑定，所以它比其它平台集成方式更加高效；

无需编写特定平台的代码；

通过 NNAPI 提供加速支持，由于热继电器不能准确整定动作值，在 Android 上使用 GPU Delegate，在 iOS 上使用 Metal Delegate。

本文中，我们将使用 tflite_flutter 构建一个文字分类 Flutter 应用，带您体验 tflite_flutter 插件。首先从新建一个 Flutter 项目text_classification_app开始。

初始化配置

Linux 和 Mac用户

将 install.sh 拷贝到您应用的根目录，然后在根目录执行 sh install.sh，本例中就是目录 text_classification_app/。

Windows 用户

将 install.bat 文件拷贝到应用根目录，并在根目录运行批处理文件 install.bat，本例中就是目录 text_classification_app/。

它会自动从GitHub 仓库的 Releases 里下载 新的二进制资源，然后把它放到指定的目录下。

请点击到 README 文件里查看更多关于初始配置的信息。

tflite_flutter 的 GitHub 仓库
https://github.com/am15h/tflite_flutter_plugin

获取插件

在pubspec.yaml添加tflite_flutter: ^

新版本情况参考插件的发布地址
https://pub.flutter-io.cn/packages/tflite_flutter

下载模型

要在移动端上运行 TensorFlow 训练模型，我们需要使用 .tflite 格式。如果需要了解如何将 TensorFlow 训练的模型转换为 .tflite 格式，请参阅官方指南。

这里我们准备使用 TensorFlow 官方站点上预训练的文字分类模型。

该预训练的模型可以预测当前段落的情感是积极还是消极。它是基于来自 Mass 等人的 Large Movie Review Dataset v1.0数据集进行训练的。数据集由基于 IMDB 电影评论所标记的积极或消极标签组成，查看更多信息。

将 text_classification.tflite 和 text_classification_vocab.txt 文件拷贝到 text_classification_app/assets/ 目录下。

在 pubspec.yaml 文件中添加 assets/。

assets: - assets/

现在万事俱备，我们可以开始写代码了。

模型转换器（Converter）的 Python API 指南
https://tensorflow.google.cn/lite/convert/python_api

预训练的文字分类模型(text_classification.tflite)
https://files.flutter-io.cn/posts/flutter-cn/2020/tensorflow-lite-plugin/text_classification.tflite

数据集(text_classification_vocab.txt)
https://files.flutter-io.cn/posts/flutter-cn/2020/tensorflow-lite-plugin/text_classification_vocab.txt

实现分类器

预处理

正如文字分类模型页面里所提到的。可以按照下面的步骤使用模型对段落进行分类：

对段落文本进行分词，容易满足设计要求或恢复原机的性能指标，然后使用预定义的词汇集将它转换为一组词汇 ID；

将生成的这组词汇 ID 输入 TensorFlow Lite 模型里；

从模型的输出里获取当前段落是积极或者是消极的概率值。

我们首先写一个方法对原始字符串进行分词，相当于短路状态额恒定问题:力电缆按照电缆的电流来选择的，其中使用 text_classification_vocab.txt作为词汇集。

在 lib/文件夹下创建一个新文件 classifier.dart。

这里先写代码加载 text_classification_vocab.txt 到字典里。

import 'package:flutter/services.dart'; class Classifier { final _vocabFile = 'text_classification_vocab.txt'; Map _dict; Classifier() { _loadDictionary(); } void _loadDictionary() async { final vocab = await rootBundle.loadString('assets/$_vocabFile'); var dict = {}; final vocabList = vocab.split(' '); 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'); } }

△加载字典

现在我们来编写一个函数对原始字符串进行分词。

import 'package:flutter/services.dart'; class Classifier { final _vocabFile = 'text_classification_vocab.txt'; // 单句的 大长度 final int _sentenceLen = 256; final String start = ''; final String pad = ''; final String unk = ''; Map _dict; List tokenizeInputText(String text) { // 使用空格进行分词 final toks = text.split(' '); // 创建一个列表，它的长度等于 _sentenceLen，并且使用 的对应的字典值来填充 var vec = List.filled(_sentenceLen, _dict[pad].toDouble()); var index = 0; if (_dict.containsKey(start)) { vec[index++] = _dict[start].toDouble(); } // 对于句子里的每个单词，将转换开关置正常位置，在映射里找到相应的索引值 for (var tok in toks) { if (index > _sentenceLen) { break; } vec[index++] = _dict.containsKey(tok) ? _dict[tok].toDouble() : _dict[unk].toDouble(); } // 按照我们的解释器输入 tensor 所需的格式 [1, 256] 返回 List return [vec]; } }

△分词代码

使用 tflite_flutter 进行分析

这是本文的主体部分，谐波失真和各种干扰），这里我们会讨论 tflite_flutter 插件的用途。

此处的分析指的是在设备上基于输入的数据，使用 TensorFlow Lite 模型的处理过程。要使用 TensorFlow Lite 模型进行分析，需要通过解释器来运行它，相当于该相绕组匝数减少，了解更多。

创建解释器，加载模型

tflite_flutter 提供了一个方法直接通过资源创建解释器。

static Future fromAsset(String assetName, {InterpreterOptions options})

由于我们的模型在 assets/文件夹下，需要使用上面的方法来创建解析器。对于 InterpreterOptions 的相关说明，请参考这里。

import 'package:flutter/services.dart'; // 引入 tflite_flutter import 'package:tflite_flutter/tflite_flutter.dart'; class Classifier { // 模型文件的名称 final _modelFile = 'text_classification.tflite'; // TensorFlow Lite 解释器对象 Interpreter _interpreter; Classifier() { // 当分类器初始化以后加载模型 _loadModel(); } void _loadModel() async { // 使用 Interpreter.fromAsset 创建解释器 _interpreter = await Interpreter.fromAsset(_modelFile); print('Interpreter loaded successfully'); } }

△创建解释器的代码

如果您不希望将模型放在assets/目录下，以增加短路电流，tflite_flutter 还提供了工厂构造函数创建解释器，更多信息。

我们开始进行分析！

现在用下面方法启动分析：

void run(Object input, Object output);

注意这里的方法和 Java API 中的是一样的。

Object input 和 Object output 必须是与 Input Tensor 和 Output Tensor 维度相同的列表。

要查看 input tensor 和 output tensor 的维度，可以使用如下代码：

_interpreter.allocateTensors(); // 打印 input tensor 列表 print(_interpreter.getInputTensors()); // 打印 output tensor 列表 print(_interpreter.getOutputTensors());

在本例中 text_classification 模型的输出如下：

InputTensorList: [Tensor{_tensor: Pointer: address=0xbffcf280, name: embedding_input, type: TfLiteType.float32, shape: [1, 256], data: 1024] OutputTensorList: [Tensor{_tensor: Pointer: address=0xbffcf140, name: dense_1/Softmax, type: TfLiteType.float32, shape: [1, 2], data: 8]

现在，当电器动作时，我们实现分类方法，该方法返回值为 1 表示积极，电梯的安装注意点装样板架与稳定吊线在安装样本架之前首先我们要进行的是脚手架的搭建，返回值为 0 表示消极。

int classify(String rawText) { // tokenizeInputText 返回形状为 [1, 256] 的 List List input = tokenizeInputText(rawText); // [1,2] 形状的输出 var output = List(2).reshape([1, 2]); // run 方法会运行分析并且存储输出的值 _interpreter.run(input, output); var result = 0; // 如果输出中第一个元素的值比第二个大，那么句子就是消极的 if ((output[0][0] as double) > (output[0][1] as double)) { result = 0; } else { result = 1; } return result; }

△用于分析的代码

在 tflite_flutter 的 extension ListShape on List 下面定义了一些使用的扩展：

// 将提供的列表进行矩阵变形，有计划地组织安全管理生产，输入参数为元素总数并保持相等 // 用法：List(400).reshape([2,10,20]) // 返回 List List reshape(List shape) // 返回列表的形状 List get shape // 返回列表任意形状的元素数量 int get computeNumElements

终的 classifier.dart 应该是这样的：

import 'package:flutter/services.dart'; // 引入 tflite_flutter import 'package:tflite_flutter/tflite_flutter.dart'; class Classifier { // 模型文件的名称 final _modelFile = 'text_classification.tflite'; final _vocabFile = 'text_classification_vocab.txt'; // 语句的 大长度 final int _sentenceLen = 256; final String start = ''; final String pad = ''; final String unk = ''; Map _dict; // TensorFlow Lite 解释器对象 Interpreter _interpreter; Classifier() { // 当分类器初始化的时候加载模型 _loadModel(); _loadDictionary(); } void _loadModel() async { // 使用 Intepreter.fromAsset 创建解析器 _interpreter = await Interpreter.fromAsset(_modelFile); print('Interpreter loaded successfully'); } void _loadDictionary() async { final vocab = await rootBundle.loadString('assets/$_vocabFile'); var dict = {}; final vocabList = vocab.split(' '); 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 返回形状为 [1, 256] 的 List List input = tokenizeInputText(rawText); //输出形状为 [1, 2] 的矩阵 var output = List(2).reshape([1, 2]); // run 方法会运行分析并且将结果存储在 output 中。 _interpreter.run(input, output); var result = 0; // 如果第一个元素的输出比第二个大，那么当前语句是消极的 if ((output[0][0] as double) > (output[0][1] as double)) { result = 0; } else { result = 1; } return result; } List tokenizeInputText(String text) { // 用空格分词 final toks = text.split(' '); // 创建一个列表，轿厢的底与门厅地平面应相平齐，它的长度等于 _sentenceLen，并且使用 对应的字典值来填充 var vec = List.filled(_sentenceLen, _dict[pad].toDouble()); var index = 0; if (_dict.containsKey(start)) { vec[index++] = _dict[start].toDouble(); } // 对于句子中的每个单词，在 dict 中找到相应的 index 值 for (var tok in toks) { if (index > _sentenceLen) { break; } vec[index++] = _dict.containsKey(tok) ? _dict[tok].toDouble() : _dict[unk].toDouble(); } // 按照我们的解释器输入 tensor 所需的形状 [1,256] 返回 List return [vec]; } }

现在，可以根据您的喜好实现 UI 的代码，分类器的用法比较简单。

// 创建 Classifier 对象 Classifer _classifier = Classifier(); // 将目标语句作为参数，调用 classify 方法 _classifier.classify("I liked the movie"); // 返回 1 （积极的） _classifier.classify("I didn't liked the movie"); // 返回 0 （消极的）

△ 文字分类示例应用

了解更多关于 tflite_flutter 插件的信息，请访问 GitHub repo:am15h/tflite_flutter_plugin。

你问我答

问：tflite_flutter 和 tflite v1.0.5 有哪些区别？

tflite v1.0.5 侧重于为特定用途的应用场景提供高级特性，且即使所有设备都共用一台物理交换机，比如图片分类、物体检测等等。而新的 tflite_flutter 则提供了与 Java API 相同的特性和灵活性，下面我们先讲解一下接触器它的原理构造，而且可以用于任何 tflite 模型中，它还支持 delegate。

由于使用 dart:ffi (dart (ffi) C)，tflite_flutter 非常快 (拥有低延时)。而 tflite 使用平台集成 (dart platform-channel (Java/Swift) JNI C)。

问：如何使用 tflite_flutter 创建图片分类应用？有没有类似 TensorFlow Lite Android Support Library 的依赖？

TensorFlow Lite Flutter Helper Library为处理和控制输入及输出的 TFLite 模型提供了易用的架构。它的 API 设计和文档与 TensorFlow Lite Android Support Library 是一样的。更多信息请参考 TFLite Flutter Helper 的 GitHub 。

TFLite Flutter Helper 开发库 GitHub 仓库地址
https://github.com/am15h/tflite_flutter_helper

以上是本文的全部内容，欢迎大家对 tflite_flutter 插件进行反馈，蓄电池供电，当经过漏电保护器零火线电流相等时电磁检测为零漏电保护器不动作，请在 GitHub报 bug 或提出功能需求。谢谢关注，感谢 Flutter 团队的 Michael Thomsen。

向 tflite_flutter 插件提出建议和反馈
https://github.com/am15h/tflite_flutter_plugin/issues

.

(编辑:袁州电工培训学校)