0. 前言

距離真正完成表情辨識的App，
只差把辨識圖像的功能實作出來，
在這裡我們必須將Day21存好的TFLite模型拿出來，
製作出含有metadata的TFLite模型。

1. 將tflite模型加入metadata

準備材料

1. model.tflite
   之前我們訓練好久的model，有用.h5和.tflite的格式儲存，
   現在我們只需要準備好.tflite的檔案
2. labels.txt
   這裡要記錄我們的類別名稱，用"換行"分隔。
   

程式碼

我把"effB0_fer.tflite"加入metadata後，
另存為"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)

解說

這邊唯一有需要自己決定的只有_INPUT_NORM_MEAN和_INPUT_NORM_STD，
這兩個變數的數值決定於我們輸入圖片矩陣的時候有無做正規化，
因為我是將[0. ~ 255.]直接丟入模型，所以設mean = 0, std = 1。

官網原文:

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. 將metadata tflite model導入Android Studio

1. 在app上按滑鼠右鍵，最後點擊tensorflow lite model。
   

2. 選擇已訓練model的位置進行import，按下finish進行import。(不建議勾gpu選項)
   

3. 等待1分鐘後，可以看到菜單左欄位多出ml資料夾。

4. ml資料夾下有我們的tflite model，可以點開他查看(這邊記錄了input shape和scale range)
   

5. 呼叫模型的程式碼

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. 結語

終於把模型放進去了，
現在只差把 2.5 (呼叫模型的程式碼)的程式碼實作成function加入MainActivity.kt了！
明天再見~