全新插件tflite_flutter

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

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