[开发技巧]·安卓手机开发深度学习简易教程（基于Keras）

小宋是呢

发布于 2019-06-27 14:53:59

8590

发布于 2019-06-27 14:53:59

文章被收录于专栏：深度应用深度应用

个人主页–> http://www.yansongsong.cn

本教程基于安卓手机平台，在PyDroid3软件上，使用Python3语言配合Keras框架开发深度学习。本文章主要涉及在手机上开发环境的搭建，以及简单的示例代码，如果想深入研究开发，还需要读者自己花些功夫了。不废话，开始教程。。

- 准备工作

1、手上需要有一个安卓手机，最近两年发布的机型都可以，性能不要太弱，因为跑深度学习代码还是很吃性能的。我用的是小米8，跑cnn长时间会发热。 2、下载PyDroid3手机APP，我给大家准备好链接了 PyDroid3下载地址 3、手机需要联网，并且至少应该有1G存储，因为要下载一些依赖包。

- 软件安装

1、安装下载好的PyDroid，为了方便演示，我从手机上卸载APP，把整个流程走一下。 2、安装好PyDroid后，打开APP，会自动安装Python3，稍等一下，就可以测试python是否正常工作。 3、测试python功能

在中间输入框输入测试代码：

print("Hello World")

注意括号()和双引号""要使用英文输入法下面标点符号来输入，不然会报错，以后再手机上Code的时候也要注意这点。输入代码完成后，点击右下角的黄色按钮就可以运行，如果无误的话会有 Hello World 的输出

- 开发环境搭建

1、依赖库安装点击右上角会显示更多菜单，选择Pip选项，可以在QUICK INSTALL找到常用的库，点击INSTALL就可以安装了，安装的时候要稍等一下（速度的确比较慢，大家需要耐心等待下），等提示安装完成时再退出界面。首先可以先安装常用的包： numpy，pandas，cython，scipy。

2、keras环境安装细心的同学可以发现其实在上面界面就可以安装Keras了，但是因为Keras需要Theano作为后端（就是需要Theano才能正常运行），所以我们需要先安装Theano，可以在INSTALL 下面输入框输入 theano 然后APP就会自己搜索下载（注意不要输入错了，可能会找不到包），同样的等一下，安装完成后再退出界面，如果提示错误，可能是网络原因，那就等一下再输入一次进行安装。（建议有些基础的可以选择命令行，在软件上很容易找到，和Linux，系统用法基本一致）

在上面菜单选项选择Terminal 选项，进入Terminal 依次输入：完成一项再输入下一项

pip3 install --upgrade pip

pip3 install theano

pip3 install keras

安装完成后就可以测试keras功能了，开始深度学习了。

- 测试代码

# coding: utf-8
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Activation, Convolution2D, MaxPooling2D, Flatten
from keras.optimizers import Adam
np.random.seed(1337)
 
# download the mnist
(X_train, Y_train), (X_test, Y_test) = mnist.load_data()
 
# data pre-processing
X_train = X_train.reshape(-1, 1, 28, 28)/255
X_test = X_test.reshape(-1, 1, 28, 28)/255
Y_train = np_utils.to_categorical(Y_train, num_classes=10)
Y_test = np_utils.to_categorical(Y_test, num_classes=10)
 
# build CNN
model = Sequential()
 
# conv layer 1 output shape(32, 28, 28)
model.add(Convolution2D(filters=32,
                       kernel_size=5,
                       strides=1,
                       padding='same',
                       batch_input_shape=(None, 1, 28, 28),
                       data_format='channels_first'))
model.add(Activation('relu'))
 
# pooling layer1 (max pooling) output shape(32, 14, 14)
model.add(MaxPooling2D(pool_size=2, 
                       strides=2, 
                       padding='same', 
                       data_format='channels_first'))
 
# conv layer 2 output shape (64, 14, 14)
model.add(Convolution2D(64, 5, 
                        strides=1, 
                        padding='same', 
                        data_format='channels_first'))
model.add(Activation('relu'))
 
# pooling layer 2 (max pooling) output shape (64, 7, 7)
model.add(MaxPooling2D(2, 2, 'same', 
                       data_format='channels_first'))
 
# full connected layer 1 input shape (64*7*7=3136), output shape (1024)
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))
 
# full connected layer 2 to shape (10) for 10 classes
model.add(Dense(10))
model.add(Activation('softmax'))
model.summary()
# define optimizer
adam = Adam(lr=1e-4)
model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=['accuracy'])
 
# training
print ('Training')
model.fit(X_train, Y_train, epochs=1, batch_size=16)
 
# testing
print ('Testing')
loss, accuracy = model.evaluate(X_test, Y_test)
print ('loss, accuracy: ', (loss, accuracy))