0. 前言

距离真正完成表情辨识的App，
只差把辨识图像的功能实作出来，
在这里我们必须将Day21存好的TFLite模型拿出来，
制作出含有metadata的TFLite模型。

1. 将tflite模型加入metadata

准备材料

1. model.tflite
   之前我们训练好久的model，有用.h5和.tflite的格式储存，
   现在我们只需要准备好.tflite的档案
2. labels.txt
   这里要记录我们的类别名称，用"换行"分隔。
   

程序码

我把"effB0_fer.tflite"加入metadata後，
另存为"effB0_fer_meta.tflite"。

# %% 生成 model metadata
from tflite_support.metadata_writers import writer_utils
from tflite_support.metadata_writers import image_classifier

ImageClassifierWriter = image_classifier.MetadataWriter
_MODEL_PATH = "./models/effB0_fer.tflite"
_LABEL_FILE = "./data/FER2013_labels.txt"
_SAVE_TO_PATH = "./models/effB0_fer_meta.tflite"

_INPUT_NORM_MEAN = 0
_INPUT_NORM_STD = 1

# Create the metadata writer.
writer = ImageClassifierWriter.create_for_inference(
    writer_utils.load_file(_MODEL_PATH), [_INPUT_NORM_MEAN], [_INPUT_NORM_STD],
    [_LABEL_FILE])
# Verify the metadata generated by metadata writer.
print(writer.get_metadata_json())
# Populate the metadata into the model.
writer_utils.save_file(writer.populate(), _SAVE_TO_PATH)

解说

这边唯一有需要自己决定的只有_INPUT_NORM_MEAN和_INPUT_NORM_STD，
这两个变数的数值决定於我们输入图片矩阵的时候有无做正规化，
因为我是将[0. ~ 255.]直接丢入模型，所以设mean = 0, std = 1。

官网原文:

Normalization is a common data preprocessing technique in machine learning. The goal of normalization is to change the values to a common scale, without distorting differences in the ranges of values.

2. 将metadata tflite model导入Android Studio

1. 在app上按滑鼠右键，最後点击tensorflow lite model。
   

2. 选择已训练model的位置进行import，按下finish进行import。(不建议勾gpu选项)
   

3. 等待1分钟後，可以看到菜单左栏位多出ml资料夹。

4. ml资料夹下有我们的tflite model，可以点开他查看(这边记录了input shape和scale range)
   

5. 呼叫模型的程序码

val model = Effb0FerMeta.newInstance(context)

// Creates inputs for reference.
val image = TensorImage.fromBitmap(bitmap)

// Runs model inference and gets result.
val outputs = model.process(image)
val probability = outputs.probabilityAsCategoryList

// Releases model resources if no longer used.
model.close()

3. 结语

终於把模型放进去了，
现在只差把 2.5 (呼叫模型的程序码)的程序码实作成function加入MainActivity.kt了！
明天再见~