# Android概述 ## 在Android应用中使用深度学习和神经网络 内容 * [先决条件](#xian-jue-tiao-jian) * [配置你的Android Studio项目](#pei-zhi-ni-de-android-studio-xiang-mu) * [启动异步任务](#qi-dong-yi-bu-ren-wu) * [创建一个神经网络](#chuang-jian-yi-ge-shen-jing-wang-luo) * [创建训练数据](#chuang-jian-xun-lian-shu-ju) * [结论](#jie-lun) 一般来说，训练一个神经网络是一项最适合有多个GPU的强大计算机的任务。但如果你想在你简陋的安卓手机或平板电脑上做呢？好吧，这绝对是可能的。然而，考虑到一个普通的Android设备的规格，它很可能会相当慢。如果这对你来说不是问题，继续读下去。 在本教程中，我将向您展示如何使用 [Deeplearning4J](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/kai-shi/kuai-su-ru-men)，一个流行的基于Java的深度学习库，在Android设备上创建和训练神经网络。 ## [先决条件](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/yi-dong-duan/android-gai-shu) 为了获得最佳效果，您需要以下各项： * 运行API级别21或更高的安卓设备或模拟器，内部存储空间大约为200 MB。我强烈建议您首先使用模拟器，因为您可以快速调整它，以防内存或存储空间不足。 * Android Studio 2.2 或更新版本 * 这里可以找到在Android应用程序中使用DL4J的更深入的研究。本指南涵盖依赖项、内存管理、保存设备训练模型以及在应用程序中加载预先训练的模型。 ## [配置你的Android Studio项目](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/yi-dong-duan/android-gai-shu) 要在项目中使用Deeplearning4J，请将以下实现依赖项添加到应用程序模块的build.gradle文件中： ```groovy implementation (group: 'org.deeplearning4j', name: 'deeplearning4j-core', version: '{{page.version}}') { exclude group: 'org.bytedeco', module: 'opencv-platform' exclude group: 'org.bytedeco', module: 'leptonica-platform' exclude group: 'org.bytedeco', module: 'hdf5-platform' } implementation group: 'org.nd4j', name: 'nd4j-native', version: '{{page.version}}' implementation group: 'org.nd4j', name: 'nd4j-native', version: '{{page.version}}', classifier: "android-arm" implementation group: 'org.nd4j', name: 'nd4j-native', version: '{{page.version}}', classifier: "android-arm64" implementation group: 'org.nd4j', name: 'nd4j-native', version: '{{page.version}}', classifier: "android-x86" implementation group: 'org.nd4j', name: 'nd4j-native', version: '{{page.version}}', classifier: "android-x86_64" implementation group: 'org.bytedeco', name: 'openblas', version: '0.3.7-1.5.2' implementation group: 'org.bytedeco', name: 'openblas', version: '0.3.7-1.5.2', classifier: "android-arm" implementation group: 'org.bytedeco', name: 'openblas', version: '0.3.7-1.5.2', classifier: "android-arm64" implementation group: 'org.bytedeco', name: 'openblas', version: '0.3.7-1.5.2', classifier: "android-x86" implementation group: 'org.bytedeco', name: 'openblas', version: '0.3.7-1.5.2', classifier: "android-x86_64" implementation group: 'org.bytedeco', name: 'opencv', version: '4.1.2-1.5.2' implementation group: 'org.bytedeco', name: 'opencv', version: '4.1.2-1.5.2', classifier: "android-arm" implementation group: 'org.bytedeco', name: 'opencv', version: '4.1.2-1.5.2', classifier: "android-arm64" implementation group: 'org.bytedeco', name: 'opencv', version: '4.1.2-1.5.2', classifier: "android-x86" implementation group: 'org.bytedeco', name: 'opencv', version: '4.1.2-1.5.2', classifier: "android-x86_64" implementation group: 'org.bytedeco', name: 'leptonica', version: '1.78.0-1.5.2' implementation group: 'org.bytedeco', name: 'leptonica', version: '1.78.0-1.5.2', classifier: "android-arm" implementation group: 'org.bytedeco', name: 'leptonica', version: '1.78.0-1.5.2', classifier: "android-arm64" implementation group: 'org.bytedeco', name: 'leptonica', version: '1.78.0-1.5.2', classifier: "android-x86" implementation group: 'org.bytedeco', name: 'leptonica', version: '1.78.0-1.5.2', classifier: "android-x86_64" ``` 如果选择将依赖项的快照版本与gradle一起使用，则需要在根目录中创建pom.xml文件，并从终端对其运行 `mvn -U compile` 。您还需要在build.gradle文件的`repository{}`块中包含`mavenLocal()`。下面提供了一个pom.xml文件示例。 ```markup 4.0.0 org.deeplearning4j snapshots 1.0.0-SNAPSHOT org.nd4j nd4j-native-platform 1.0.0-SNAPSHOT org.deeplearning4j deeplearning4j-core 1.0.0-SNAPSHOT sonatype-nexus-snapshots https://oss.sonatype.org/content/repositories/snapshots false true always ``` Android Studio 3.0引入了新的Gradle，现在也应该定义annotationProcessors如果您正在使用它，请向Gradle依赖项添加以下代码： ```java NeuralNetConfiguration.Builder nncBuilder = new NeuralNetConfiguration.Builder(); nncBuilder.updater(Updater.ADAM); ``` 如您所见，DL4J依赖于ND4J，Java的N维缩写，它是一个提供快速N维数组的库。ND4J在内部依赖于一个名为OpenBLAS的库，该库包含特定于平台的本地代码。因此，您必须加载与您的Android设备架构相匹配的OpenBLAS和ND4J版本。 DL4J和ND4J的依赖项有几个同名的文件。为了避免构建错误，请将以下排除参数添加到packagingOptions中。 ```groovy packagingOptions { exclude 'META-INF/DEPENDENCIES' exclude 'META-INF/DEPENDENCIES.txt' exclude 'META-INF/LICENSE' exclude 'META-INF/LICENSE.txt' exclude 'META-INF/license.txt' exclude 'META-INF/NOTICE' exclude 'META-INF/NOTICE.txt' exclude 'META-INF/notice.txt' exclude 'META-INF/INDEX.LIST' } ``` 编译后的代码将有超过65536个方法。要处理此情况，请在defaultConfig中添加以下选项： ```groovy multiDexEnabled true ``` 现在，按Sync now更新项目。最后，确保APK不同时包含lib/armeabi和lib/armeabi-v7a子目录。如果是，请将所有文件移动到其中一个或另一个，因为某些Android设备将同时存在这两个文件。 ## [启动异步任务](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/yi-dong-duan/android-gai-shu) 训练神经网络是CPU密集型的，这就是为什么您不想在应用程序的UI线程中进行训练。我不太确定DL4J是否在默认情况下异步训练其网络。为了安全起见，我现在将使用AsyncTask类生成一个单独的线程。 ```java AsyncTask.execute(new Runnable() { @Override public void run() { createAndUseNetwork(); } }); ``` 因为createAndUseNetwork()方法还不存在，所以创建它。 ```java private void createAndUseNetwork() { } ``` ## [创建一个神经网络](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/yi-dong-duan/android-gai-shu) DL4J有一个非常直观的API。现在让我们用它来创建一个简单的多层感知器与隐藏层。它将获取两个输入值，并输出一个输出值。要创建层，我们将使用DenseLayer和OutputLayer类。相应地，将以下代码添加到在上一步中创建的createAndUseNetwork()方法中： ```java DenseLayer inputLayer = new DenseLayer.Builder() .nIn(2) .nOut(3) .name("Input") .build(); DenseLayer hiddenLayer = new DenseLayer.Builder() .nIn(3) .nOut(2) .name("Hidden") .build(); OutputLayer outputLayer = new OutputLayer.Builder() .nIn(2) .nOut(1) .name("Output") .build(); ``` 现在我们的层已经准备好了，让我们创建一个NeuralNetConfiguration.Builder对象来配置我们的神经网络。 ```java NeuralNetConfiguration.Builder nncBuilder = new NeuralNetConfiguration.Builder(); nncBuilder.updater(Updater.ADAM); ``` 我们现在必须创建一个NeuralNetConfiguration.ListBuilder对象来实际连接我们的层并指定它们的顺序。 ```java NeuralNetConfiguration.ListBuilder listBuilder = nncBuilder.list(); listBuilder.layer(0, inputLayer); listBuilder.layer(1, hiddenLayer); listBuilder.layer(2, outputLayer); ``` 另外，通过添加以下代码启用反向传播： ```java listBuilder.backprop(true); ``` 此时，我们可以将神经网络生成并初始化为多层网络类的实例。 ```java MultiLayerNetwork myNetwork = new MultiLayerNetwork(listBuilder.build()); myNetwork.init(); ``` ## [创建训练数据](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/yi-dong-duan/android-gai-shu) 为了创建我们的训练数据，我们将使用ND4J提供的INDArray类 ``` INPUTS EXPECTED OUTPUTS ------ ---------------- 0,0 0 0,1 1 1,0 1 1,1 0 ``` 正如你可能已经猜到的，我们的神经网络将表现得像一个异或门。训练数据有四个样本，您必须在代码中提到它。 ```java final int NUM_SAMPLES = 4; ``` 现在，为输入和预期输出创建两个INDArray对象，并用零初始化它们。 ```java INDArray trainingInputs = Nd4j.zeros(NUM_SAMPLES, inputLayer.getNIn()); INDArray trainingOutputs = Nd4j.zeros(NUM_SAMPLES, outputLayer.getNOut()); ``` 注意，输入数组中的列数等于输入层中的神经元数。类似地，输出数组中的列数等于输出层中的神经元数。 用训练数据填充这些数组很容易。只需使用putScalar()方法： ```java // If 0,0 show 0 trainingInputs.putScalar(new int[]{0, 0}, 0); trainingInputs.putScalar(new int[]{0, 1}, 0); trainingOutputs.putScalar(new int[]{0, 0}, 0); // If 0,1 show 1 trainingInputs.putScalar(new int[]{1, 0}, 0); trainingInputs.putScalar(new int[]{1, 1}, 1); trainingOutputs.putScalar(new int[]{1, 0}, 1); // If 1,0 show 1 trainingInputs.putScalar(new int[]{2, 0}, 1); trainingInputs.putScalar(new int[]{2, 1}, 0); trainingOutputs.putScalar(new int[]{2, 0}, 1); // If 1,1 show 0 trainingInputs.putScalar(new int[]{3, 0}, 1); trainingInputs.putScalar(new int[]{3, 1}, 1); trainingOutputs.putScalar(new int[]{3, 0}, 0); ``` 我们不会直接使用INDArray对象。相反，我们将把它们转换成一个DataSet。 ```java DataSet myData = new DataSet(trainingInputs, trainingOutputs); ``` 此时，我们可以通过调用神经网络的`fit()`方法并将数据集传递给它来开始训练。`for`循环控制通过网络的数据集的迭代。在本例中，它被设置为1000次迭代。 ```java for(int l=0; l<=1000; l++) { myNetwork.fit(myData); } ``` 就这些。你的神经网络已经可以使用了。 ## [结论](https://deeplearning4j.konduit.ai/zhong-wen-v1.0.0/yi-dong-duan/android-gai-shu) 在本教程中，您看到了在Android Studio项目中使用Deeplearning4J库创建和训练神经网络是多么容易。不过，我想提醒你的是，在低功耗、电池供电的设备上训练神经网络可能并不总是一个好主意。 第二个例子DL4J Android应用程序包括一个用户界面可以在这里找到。这个例子使用Anderson的iris数据集在设备上训练一个神经网络，用于iris类型分类。该应用程序包括用户输入的测量值，并返回这些测量值属于三种iris类型（*Iris serosa, Iris versicolor,* 和 *Iris virginica*）之一的概率。 移动设备处理能力和电池寿命的限制使得训练健壮、多层网络不可行。作为在设备上训练网络的替代方法，应用程序使用的神经网络可以在桌面机上训练，通过ModelSerializer保存，然后作为预先训练的模型加载到应用程序中。第三个例子DL4J Android应用程序可以在这里找到，它加载一个预先训练的MNIST网络，并使用它对用户绘制的数字进行分类。