這篇文章主要講解了“如何理解Android中快速遷移風(fēng)格”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“如何理解Android中快速遷移風(fēng)格”吧！

彝良網(wǎng)站建設(shè)公司成都創(chuàng)新互聯(lián),彝良網(wǎng)站設(shè)計(jì)制作，有大型網(wǎng)站制作公司豐富經(jīng)驗(yàn)。已為彝良數(shù)千家提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\外貿(mào)營(yíng)銷網(wǎng)站建設(shè)要多少錢，請(qǐng)找那個(gè)售后服務(wù)好的彝良做網(wǎng)站的公司定做！

效果

缺點(diǎn)

• 1.沒有組件化

• 2.沒有混淆

• 3.有些地方抽象不夠

深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基本概念

什么是深度學(xué)習(xí)

• 1.AI--》機(jī)器學(xué)習(xí)--》深度學(xué)習(xí)，前面三個(gè)概念是遞進(jìn)的，簡(jiǎn)單來說深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，深度學(xué)習(xí)就是利用機(jī)器來學(xué)習(xí)很多數(shù)據(jù)，而機(jī)器學(xué)習(xí)又是實(shí)現(xiàn)AI的一種方式。

• 2.在深度學(xué)習(xí)中有兩個(gè)重要的東西：數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)。在深度學(xué)習(xí)中有兩個(gè)重要的過程：訓(xùn)練和測(cè)試 1.數(shù)據(jù)和網(wǎng)絡(luò)： 1.數(shù)據(jù)：我們想象一個(gè)簡(jiǎn)單的圖片分類場(chǎng)景，我們有10000張已經(jīng)被人工分好類的圖片，每張圖片都有一個(gè)正確的分類，比如貓、狗等等。 2.網(wǎng)絡(luò)：這里的神經(jīng)網(wǎng)絡(luò)我們可以想象成一個(gè)函數(shù)，我們的輸入是一張圖片，輸出則是這張圖片在每個(gè)分類下面的分?jǐn)?shù)。也就是一個(gè)分?jǐn)?shù)的數(shù)組。 2.訓(xùn)練和測(cè)試： 1.訓(xùn)練：在訓(xùn)練的時(shí)候我們會(huì)將圖片集中的圖片一次次的輸入到神經(jīng)網(wǎng)絡(luò)里面去，然后會(huì)一次次得到該圖片在每個(gè)分類下的分?jǐn)?shù)，每當(dāng)我們得出了一個(gè)分?jǐn)?shù)數(shù)組之后我們可以計(jì)算當(dāng)前的神經(jīng)網(wǎng)絡(luò)的損失值(當(dāng)前的網(wǎng)絡(luò)準(zhǔn)確率越高損失值越低)，有了損失值，我們的目標(biāo)就是降低損失值。了解導(dǎo)數(shù)的同學(xué)都知道我們可以通過求導(dǎo)損失值函數(shù)得到讓損失值降低的梯度方向，然后反饋到神經(jīng)網(wǎng)絡(luò)中。就這樣一次次的循環(huán)，讓損失值降到最低。 2.測(cè)試：當(dāng)我們將神經(jīng)網(wǎng)絡(luò)訓(xùn)練到了一個(gè)最佳的狀態(tài)，我們就可以將我們需要進(jìn)行分類的圖片，輸入到神經(jīng)網(wǎng)絡(luò)中，得到最終神經(jīng)網(wǎng)絡(luò)對(duì)該圖片分類的結(jié)果。 3.總結(jié)：深度學(xué)習(xí)到底是怎么學(xué)習(xí)的呢？我們可以看見我們的訓(xùn)練數(shù)據(jù)是經(jīng)過人的處理的，那么深度學(xué)習(xí)的過程就是將人的處理過程固化到我們的神經(jīng)網(wǎng)絡(luò)中，最終讓神經(jīng)網(wǎng)絡(luò)來代替人工處理的過程。 4.上面只是介紹深度學(xué)習(xí)的基本流程，如果要更深入地了解可以看這篇博客

什么是神經(jīng)網(wǎng)絡(luò)

我們?cè)谏弦还?jié)中說到了，最終人處理數(shù)據(jù)的過程通過我們的訓(xùn)練被固化到神經(jīng)網(wǎng)絡(luò)中去了。下面我會(huì)簡(jiǎn)單介紹一下前面說到的神經(jīng)網(wǎng)絡(luò)。

• 1.還是在簡(jiǎn)單的圖片分類場(chǎng)景： 1.我們假設(shè)圖片為x的大小為100 * 100(我們把圖片平鋪成為1 * 10000的矩陣)，圖片一共有10個(gè)分類。 2.那么一個(gè)兩層的神經(jīng)網(wǎng)絡(luò)就是這樣的：y = x * w1 * w2(w1為 10000 * a的矩陣，w2為a * 10的矩陣)，這里最終y就是一張圖片在各個(gè)分類下的分?jǐn)?shù)，式子中的乘法是矩陣乘法。 3.當(dāng)然層數(shù)更多的神經(jīng)網(wǎng)絡(luò)就是有更多的w，我們w1 和 w2中的a可以自己定義。

• 2.解釋一下y = x * w1 * w2： 1.研究表明我們?cè)诳磝這張圖片的時(shí)候，我們會(huì)先看圖片的輪廓，這里我們大腦中看圖片輪廓的神經(jīng)元就相當(dāng)于w1 2.看完輪廓之后我們會(huì)對(duì)這個(gè)圖片中的東西有基本感覺，判斷這張圖片屬于哪些類別，這里的類別就是x * w1的結(jié)果 3.2中的結(jié)果會(huì)被輸入大腦中下一層神經(jīng)元，這里的神經(jīng)元就相當(dāng)于w2，經(jīng)過w2之后我們就會(huì)輸出一個(gè)結(jié)果這里就是y。 4.當(dāng)然人的神經(jīng)元層數(shù)遠(yuǎn)比上面說到的多

• 3.訓(xùn)練y = x * w1 * w2的過程以人做對(duì)比就相當(dāng)于：我們有一堆圖片給一個(gè)啥也不懂的小孩看，剛開始他肯定輸出的結(jié)果都是錯(cuò)的，但是我們只要每次糾正一下他的錯(cuò)誤，那么他腦袋中的神經(jīng)元(w)就會(huì)不斷的修改然后識(shí)別的準(zhǔn)確率不斷提高。

Android中的Tensorflow

這一節(jié)將會(huì)介紹如何在Android中使用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)

開始

本篇文章中，我只會(huì)以一個(gè)demo為例子進(jìn)行講解，前面提到的MyPhotoShop項(xiàng)目會(huì)另起一個(gè)專題進(jìn)行剖析。

• 1.demo地址：github地址（https://github.com/whenSunSet/TensorflowPureDemo）

• 2.引入Tensorflow：compile 'org.tensorflow:tensorflow-android:+'

Tensorflow中的概念

• 1.圖(graph)：我們?cè)谇懊嬷v解了一個(gè)神經(jīng)網(wǎng)絡(luò)是什么樣子的，在Tensorflow中神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元w都屬于圖中的一個(gè)節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)全部的節(jié)點(diǎn)就構(gòu)成了一個(gè)有向無環(huán)圖也就是Tensorflow的圖的一部分。當(dāng)然Tensorflow的圖中除了神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)外，還有其他輔助的操作：比如圖片解碼、圖片編碼、圖片預(yù)處理操作等等。我們舉一個(gè)圖的例子就是：圖片a--》解碼圖片產(chǎn)生b--》處理b產(chǎn)生圖片數(shù)據(jù)矩陣c(1 * 10000)--》c與w1(10000 * x)矩陣相乘產(chǎn)生d(1 * x)--》d與w2(x * 10)矩陣相乘產(chǎn)生e(1 * 10)--》選出e中值最大的分類，神經(jīng)網(wǎng)絡(luò)就判斷圖片a是這種分類的圖片。

• 2.節(jié)點(diǎn)(node)：每個(gè)節(jié)點(diǎn)都是圖的一部分，每個(gè)節(jié)點(diǎn)有：入?yún)ⅰ⒊鰠?、具體操作函數(shù)(比如矩陣乘法)、可能有神經(jīng)元值w。

• 3.TensorFlowInferenceInterface：一個(gè)Tensorflow中訓(xùn)練的上下文，在不同語言中名字不同。內(nèi)部包含了一個(gè)訓(xùn)練中需要的全部實(shí)例。

demo代碼講解

我們本次demo中只涉及Tensorflow在Android中神經(jīng)網(wǎng)絡(luò)模型的使用，并不涉及訓(xùn)練的過程。原因有兩個(gè)：1.移動(dòng)端并不適合訓(xùn)練神經(jīng)網(wǎng)絡(luò) 2.Tensorflow for Android沒有訓(xùn)練的API。

• 1.我這次使用的神經(jīng)網(wǎng)絡(luò)是已經(jīng)訓(xùn)練好的快速風(fēng)格遷移網(wǎng)絡(luò)

• 2.對(duì)于模型我們的輸入是：一張圖片轉(zhuǎn)化為的float類型的張量，大小為(1 * 800 * 600 * 3)，輸入節(jié)點(diǎn)的名字是padsss:0，這里的名字是在訓(xùn)練過程中定義的。

• 3.對(duì)于這個(gè)模型我們的輸出是：大小為(1 * 780 * 680 * 3)的float類型張量。輸出節(jié)點(diǎn)的名字是squeezesss:0，名字也是在訓(xùn)練過程中定義的。

• 4.我們看代碼，先用RxPermission獲取了一下權(quán)限，獲取成功之后將assets中需要處理的圖片寫入到sd卡中一遍后面使用，進(jìn)入make()方法

• 5.將4中的圖片讀取到內(nèi)存中

• 6.以ARGB為例我們知道Bitmap中每個(gè)像素是以int十六進(jìn)制儲(chǔ)存像素的，類似這種形式FFFFFFFF，那么每?jī)晌痪褪且粋€(gè)通道的數(shù)值，上限是256。所以接下來就是將Bitmap中的像素值，轉(zhuǎn)化為float類型的數(shù)組，數(shù)組大小是(800 * 600 * 3)。

• 7.創(chuàng)建了一個(gè)TensorFlowInferenceInterface對(duì)象，入?yún)⑹茿ssetManager和模型文件，這里就表示將神經(jīng)網(wǎng)絡(luò)在內(nèi)存中建立起來

• 8.輸出一下每個(gè)節(jié)點(diǎn)的名字

• 9.向神經(jīng)網(wǎng)絡(luò)中傳入輸入節(jié)點(diǎn)的名字、輸入節(jié)點(diǎn)的數(shù)據(jù)、數(shù)據(jù)張量的維度

• 10.運(yùn)行神經(jīng)網(wǎng)絡(luò)，入?yún)⑹禽敵龉?jié)點(diǎn)的名字

• 11.神經(jīng)網(wǎng)絡(luò)的運(yùn)行是阻塞的，所以運(yùn)行好了之后，就能獲取數(shù)據(jù)了，這里將數(shù)據(jù)存入（780 * 580 * 3）的float數(shù)組中。

• 12.將float數(shù)組重新整合成Bitmap的像素值，然后寫入Bitmap中。

注意點(diǎn)

• 1.demo運(yùn)行的時(shí)候速度會(huì)比較慢，耐心等待一下

• 2.我運(yùn)行的設(shè)備是：小米mix2、Android8.0。其他設(shè)備可能會(huì)有問題，要么就是速度非常慢，還可能是cpu或者系統(tǒng)版本不支持。

感謝各位的閱讀，以上就是“如何理解Android中快速遷移風(fēng)格”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對(duì)如何理解Android中快速遷移風(fēng)格這一問題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是創(chuàng)新互聯(lián)，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！