还不会机器学习模型部署？15 张图带你走进TensorFlow 部署框架！

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

开篇

前几日与一位从事开发3年的朋友小李聊天，得知他所在的企业正在进行机器学习相关的项目。最近，他接到了一个任务，就是将训练好的机器学习模型进行部署。这可愁坏了小李，他接触机器学习开发差不多有小半年了，主要从事收集数据、数据清洗、搭建环境、训练模型、模型评估的相关工作，但做模型部署还是第一次。

于是，我根据自己的经验针对机器学习的模型部署进行了科普。如图1 所示，在传统编程中，我们将规则和数据传递给程序获得我们想要的答案，而对于机器学习而言，我们是通过答案和数据训练出规则，这个规则就是机器学习的模型。

图1 传统编程和机器学习的区别

而机器学习的模型部署就是要将这个规则（模型）部署到需要应用机器学习的终端上。如图2 所示，机器学习所训练出来的模型，可以理解为函数、API或者SDK，部署到对应的终端上（图中灰色部分）。部署之后终端就具备模型所赋予的能力，此时输入新的数据就可以根据规则（模型）得到预测的结果。

图2 机器学习模型部署原理

TensorFlow 机器学习部署框架

小李听了我的介绍表示能够理解，并饶有兴致地将他们项目的部署情况向我全盘托出，想征求我的意见。如图3所示，他们要将一个图像识别的模型分别部署到IOS、Android、树莓派、Web浏览器以及服务器端。

图3 模型部署场景

从部署的应用场景来看，具有轻量级、跨平台的特点。同一个机器学习模型要部署到多个不同的平台，每个平台的存储和运算能力都不相同。同时，还是兼顾模型运行的可用性、性能、安全性、可扩展性，需要使用相对稳定的大平台。于是，我把TensorFlow 的机器学习部署框架推荐给他。如图4所示，TensorFlow的部署框架针对不同平台分别提供组件进行支撑。其中Android、IOS、树莓派对应的是TensorFlow Lite，它是专门用于移动端的模型部署框架。浏览器端可以使用TensorFlow.js，而服务器端可以使用TensorFlow Serving。

图4 TensorFlow 机器学习模型部署框架

TensorFlow Lite 实际操作

小李想了解更加具体的部署过程，刚好我手上有一个项目用到了TensorFlow 的部署框架，于是将其过程演示给他看看。这个项目是要将“猫狗识别”的模型部署到Android 手机上，由于IOS 、Android、树莓派、浏览器都属于客户端，其拥有的运算资源不可能和服务器相比。特别是移动端的应用都有轻量、低延迟、高效、隐私保护、省电等特点，因此TensorFlow 对其进行的专门的部署设计，并使用TensorFlow Lite 对其进行部署。

利用TensorFlow Lite 对模型进行部署需要三步：

使用TensorFlow 训练模型。
转化TensorFlow Lite 格式。
使用TensorFlow Lite 解释器加载执行。

第一步，我们在模型训练已经完成了，第二步是将生成好的模型转化成TensorFlow Lite 能够识别和使用的模式格式。正如上面所提到的，模型是在移动端使用的需要考虑各方面的问题，因此需要针对移动端生成专门的文件格式。第三部就是将转化好的TensorFlow Lite文件加载到移动端的解释器中并执行。

由于我们的重点在模型的部署，因此第一步的训练模型暂时跳过，也就是假设你已经训练好模型了。针对第二步的模型转化可以参考图5，TensorFlow 的模型会通过Converter 将其转化成后缀是”.tflite”的模型文件，然后发布到不同的平台，通过每个平台上的解释器对其进行解释和加载。

图5 TensorFlow Lite 模型转化架构

模型保存和转化

上面介绍了TensorFlow Lite 的架构，这里需要将模型保存为TensorFlow 模型，并对其进行转化。如图6 所示，我们调用TensorFlow 中的saved_model.save方法将model（训练好的模型）保存在指定目录中。

图6 保存TensorFlow 模型

保存完模型之后就是转化模型了，如图7 所示，调用TensorFlow Lite 中的TFLiteConverter包中的from_saved_model方法生成converter（模型转化器）的实例，然后调用converter中的convert方法对模型进行转化，并将转换好的文件保存到指定目录。

图7 转化为tflite 模型格式

加载应用模型

由于本例是针对Android 系统的模型部署，因此需要在Android 中引入TensorFlow Lite的依赖。如图8 所示，引入TensorFlow Lite的依赖，同时在aaptOptions 中设置noCompress 为“tflite”意思是对与“tflite”的文件不进行压缩，如果设置压缩Android系统可能无法识别tflite的文件。

图8 项目中引入TensorFlow Lite的依赖

配置好依赖之后，再将转换好的tflite文件拷贝到assets文件下面，如图9所示，等下会加载这个文件执行机器学习的模型。

图9 添加tflite文件

添加完tflite文件之后，我们会创建Classifier 分类器，用来对“猫狗”图片进行分类。如图10 所示，在Classifer中的init中会对解释器（interpreter）进行初始化，调用loadModuleFlie方法加载tflite文件，同时指定分类标签（labelList），这里的标签就是“cat dog”（猫狗）。

图10 初始化解释器

在创建分类器之后，就是利用猫狗的分类模型对图片进行识别了。也就是在Classifier类中，如图10所示，convertBitmapToByteBuffer方法输入参数是bitmap，这个是我们输入的猫狗的图片，在这个方法中会对其进行转化，特别注意的是在for 循环中对红绿蓝三个通道转化，将转换的结果放入到byteBuffer 中并且返回。recoginzeImage 方法会调用convertBitmapToByteBuffer，并利用解释器interpreter 的run方法执行图片识别的工作，也就是利用机器学习的模型识别猫狗的图片。

图11 对图片进行识别

上面的图形转化过程过于抽象，我们将其具体为图12 所示内容。我们输入的图像是图左上方的395*500的图片，会把imageView中的图片转化为bitmap的形式。由于我们的模型输入需要224*224 的格式，因此需要做一次转换。接着，把像素放入到224*224 的ByteBuffer的数组中保存，最后对RGB（红绿蓝）的像素进行归一化（除以255），作为模型的输入参数。

图12 输入图像的转化过程

到这里机器学习模型的加载和应用就完成，当然还少不了输入的文件和布局。如图13 所示，我们在drawable 文件夹下面存放需要预测的图片（猫狗图片）。然后在layout下面创建activity_image_classifier.xml文件用来构建存放ImageView。

图13 输入图片文件和布局文件

最后，创建ImageClassifierActivity 用来展示图片和响应识别图片的事件。如图14 所示，在initViews方法中绑定每张图片的onclick事件，然后在onclick方法中调用recoginzie Image方法对图片进行识别。

图14 在onclick 中执行图片识别

让我们来看看效果。如图15 所示，当点击对应图片以后会显示“dog”的提示，表示预测结果。

图15 演示效果

回顾整个过程并不复杂，我将TensorFlow lite 部署模型总结为如下几步：

保存机器学习模型。
转化模型为tflite格式。
加载tflite格式的模型。
利用解释器加载模型。
输入参数预测结果。

想更进一步学习TensorFlow 模型部署技能的同学，可以去学TensorFlow的官方课程，在中国大学MOOC上注册一个账号，免费学习：https://www./link/1f5f6ad95cc908a20bb7e30ee28a5958

还有谷歌开发者专家做的部署在线讲解和答疑，非常不错，推荐想初步了解TensorFlow 部署功能的同学关注看看 https://www./link/e046ede63264b10130007afca077877f

结尾

小李听了我对机器学习模型部署的讲解以及了解TensorFlow 部署的过程以后，对部署实操更是跃跃欲试。我觉得用TensorFlow 部署过程逻辑清晰，方法简单易行，对于3-5年经验的开发人员来说容易上手。另外，TensorFlow官方还提供了《TensorFlow入门实操课程》，适合机器学习零基础的新手：https://www./link/bf2fe6582ed9ead9161a3d6f6b1d6858