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 ， 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 里下载最新的二进制资源 ， 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: ^
最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 ， 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 ， 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'; // 单句的最大长度 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 ， 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
【全新插件tflite_flutter】 这是本文的主体部分 ， 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 ， 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 ， 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 ， 我们实现分类方法 ， 该方法返回值为 1 表示积极 ， 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 ， 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
最终的 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'; // 语句的最大长度 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 ， 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）


文章插图
△ 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 ， 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 ， 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 的依赖包？
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 ， 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

推荐阅读

• 

  放了一个月的大蒜还能吃吗
• 

  成都有几个国色天香
• 

  守婚如玉开庭是第几集
• 

  备孕期间可以吃火锅吗 火锅不是人人都能吃的
• 

  冰淇淋还是冰激凌是正确的呢哪个
• 

  第三代试管婴儿可以选性别吗，怎样才能选择性别呢
• 

  经常性消化不良应该注意什么呢？
• 

  青蚕豆有毒吗
• 

  严重窦性心率不齐如何治疗
• 

  茶叶泡多久就不能喝了
• 

  冷凝器能放到开关柜里吗
• 

  多囊患者该怎么吃才利于怀孕？
• 

  哮喘发作的治疗方法是什么
• 

  天气雷达图中的反射率为什么会突然增大
• 

  九边的微信公众号叫什么名字
• 

  如何入驻京东
• 

  蕾丝连衣裙怎么搭配最时尚
• 

  西葫芦畸形瓜防治方法是什么
• 

  快到碗里来是什么品牌
• 

  苹果手机的note可以手写吗

• 卫生间地砖效果图 给你全新的卫浴生活
• 防水材料品质凸显 引发卫浴防水业全新革命
• 加色不加价！瑞士ABB推全新机器臂喷涂解决方案
• 瑞士ABB推全新喷漆机器臂解决方案：双色车身不用再加钱！
• AMD与格芯达成全新代工协议：7nm及之后节点可自由选择了
• 整体厨房全新演绎“幸福厨房”概念
• 新唐全新M031/32微控制器系列隆重登场！
• 新唐针对工业控制应用推出全新Cortex －M0 MCU NUC029系列
• 新唐推出全新超低功耗 NuMicro&amp;#174; ML51微控制器
• 华为Mate 40系列或10月15日亮相：全新麒麟9000系列处理器