@如何在 Android 上部署机器学习（ML）模型

如何在 Android 上部署Machine Learning（ML）模型

Android上Machine Learning项目的工作流程

当我们在网站上部署Machine Learning时，基本的工作流程是在任何Python IDE中实现模型，使用pickle模块提取它，并在任何Web框架flask或streamlit的帮助下以Web应用程序的形式进行部署。
现在，在Android中部署Machine learning时，上面的工作流程中有一些修改。首先，我们有一个模型，我们pickle它。为了实现Android应用程序，Java很受欢迎，并且Android studio 与 java一起工作是首选，所以在这里我们的前端将依赖于java，中间我们必须实现一个Flask API，这是我们的机器学习模型，其输出将采用JSON格式（JSON是任何编程语言都可以理解的通用格式），通过java android应用程序，我们点击Flask API，其响应是JSON和我们将解析此 JSON 并将其打印在 android 前端。

在 Android 上实施Machine Learning工作流程的先决条件

上面的工作流程在阅读时听起来有点困难，同时我希望通过图表它是清晰的，当你通过文章实现它时，它将完全适合你的想法。

你应该知道的第一件事是的flask基础知识，如果您了解Android的基础知识，那就非常好了。

在 Android 上实际实施Machine Learning

定义问题的陈述

我采用一个非常简单的问题陈述，我们使用CGPA，IQ和个人资料分数预测特定学生是否将被放置。这是一个玩具数据集。在这里，我们的主要目标是学习如何在Android上使用Machine learning，而不是在构建模型上。您可以在此处找到数据集。数据集的示例视图类似于下面的数据帧。

构建Machine learning模型

这部分很简单。首先，我们加载一个数据集，通过一点点预处理，我们使用随机树算法来训练数据，并以pickle格式保存模型。

标题内置Flask API

用户将在表单中输入信息，在提交表单时，它将收到POST请求。在发出后请求时，Flask API将接受用户输入的数据，并将其传递给machine learning模型，该模型将预测输出类。我们将以 JSON 的形式传递给 android 应用程序的预测类。

使用Postman测试应用程序

Postman 是一个自动的交互式工具，用于验证项目的 API。它是与HTTP API连接的Google chrome应用程序。它在后端工作，并允许您检查您的API是否按照我们的要求正常工作。通过提供正在运行的flask API的URL并在键和值部分插入数据，您可以点击API并获得所需的响应。

您可以使用此链接下载并安装Postman。成功安装后，打开它并插入Flask应用程序的URL。在键和值部分中，插入我们访问的值的名称和你想要提供的值。

标题创建安卓应用

安装和设置安卓项目

要使用Android编程，首先你需要Android studio。如果您尚未安装它，请按照此链接下载Android studio。下载很简单，只是Android studio的大小很大，接近1GB。

安装完成后，启动Android studio，您可以选择新项目。单击new project，您需要选择any activity。选择empty activity，然后继续下一步，您需要定义项目的名称和存储文件夹。看看下面的图片，了解对选择的任何疑问。

更改项目名称后，将其余内容保留为默认值，并选中"完成"。由于Android studio有点慢，因此设置项目需要一点时间，因此请耐心等待，直到它设置了项目的所有文件，如下图所示。

创建Android UI

我们知道 UI 在 XML 文件中创建。打开名为 Activity main 的 XML 文件，我们将在此处构建一个完整的前端 UI。您可以使用以下代码片段。首先，我们给出了项目的标题，各个列的三个输入字段，以及一个用于提交和获取结果的按钮。

解释 – 我们使用了项目的线性布局。对于项目的标题，我们使用用于显示任何文本的TextView。我们可以将其样式与HTML，CSS中的样式相同，因此请设置字体大小，边距，宽度，高度等。之后，对于Android中的输入字段，我们使用EditText，我们为相应的列设置id，并且使用与HTML中的占位符相同的提示。之后，我们使用按钮提交表单，单击后，我们将访问表单的数据。最后，为了以JSON的形式显示从烧瓶中获得的结果，我们再次使用TextView。

使用 AVD 运行 UI

AVD代表Android虚拟设备，您可以使用它在Android上运行应用程序，它看起来与您的手机相同。在右上角访问 AVD 部分，然后选择 pixel-5。单击"next"，然后选择它将通过其运行的虚拟设备。您可以下载Android-Q并单击下一步。您将获得用于命名设备的窗口，然后单击"finish"。最后，当您的设备可以使用播放按钮运行它时，它将启动一个AVD，您的UI将在其中运行。之后，运行我们刚刚编码的文件，并查看AVD中的更改。

API与安卓APP的连接

现在你必须用java编写它的后端工作。我们必须实现的逻辑是，您将从Android应用程序中获取输入，点击API，然后从API返回Android应用程序中显示响应。因此，我们有一个问题就是我们实现的API是在Android app无法检测的系统是本地运行。因此，我们需要在线部署我们的API，我们将使用Heroku来完成此任务。

将 API 部署到 Heroku

登录到Heroku并通过为其提供唯一名称来创建新应用程序。您可以使用 Heroku CLI 或 GitHub 部署 GUI。

在要求文本文件中，需要安装以下四个库。

Procfile 仅包含用于初始化 Web 应用的单行代码。

创建文件后，通过创建新存储库并将其与Heroku连接并将其部署到主分支来上传到Github。成功部署后，您将获得一个联机 URL。如果您在部署中有任何疑问，请访问 Flask 教程指南，了解详细的部署。

如果您需要检查您的API，那么您可以通过向Postman提供数据和Heroku应用程序URL来使用它。

将 API 连接到互联网

要达到API，我们需要一个名为Volley的库。因此，要安装Volley，请访问项目目录中的In Gradle脚本，然后打开构建Gradle文件，并在下面编写一行代码，以安装所需的库。当您单击右上角的"sync now"时，它将开始在项目目录中安装所需的库。

现在要点击Heroku上的API，您还需要互联网许可才能打开Manifest文件和以下代码。

现在，我们需要包含使用Volley来命中API的最后一段代码。首先，您需要创建一个字符串请求对象，并在 Heroku URL 上定义一个 POST 请求。

用 java 编写后端逻辑

我们已经设计了我们的UI，现在我们需要编写后端逻辑来接受java文件中前端的数据。在流程中，我们必须接受来自Android应用程序的所有三个值，当它单击预测按钮时，我们必须点击API并转发 JSON响应。保持所有导入不变，您可以在主活动java文件中按照类中的以下代码进行操作。

解释 – 首先，我们创建变量来接受值。要检测单击按钮，我们需要一个事件侦听器，因此我们使用单击侦听器。在单击函数中，我们创建了一个字符串请求对象，以在Heroku URL上发出POST请求。我们还必须提供两件事，其中第一件是当我们正确命中API时调用的侦听器。之后，当API端出现一些错误（如服务器关闭，连接等）时，我们创建了第二个侦听器。之后，我们创建了一个哈希映射来解析所有参数。键和值均采用字符串形式。最后，我们创建了一个使用volley运行上述代码的请求队列。如果所有事情都是正确的，那么在响应上命名的第一个侦听器中，我们传递JSON对象并接受预测的结果。如果是一个，那么学生将被安置，否则没有安置。在第二个侦听器中，如果存在任何错误，我们将在Toast中打印错误。

现在，如果您在AVD上运行应用程序，它将在Android上运行良好。

现在生成APK文件，如何在手机上获取和安装该应用程序。访问Android studio，然后要构建，请单击构建捆绑包，然后单击构建APK。它将自动生成一个APK文件。如果您单击定位，那么它将为您提供下载位置，并通过USB将其带入移动设备。

尾注

祝贺！我们成功将 Machine learning模型部署到Android上。

张龙

原文链接

在 Android 上部署Machine Learning（ML）模型相关推荐

TVM：在树莓派上部署预训练的模型
TVM:在树莓派上部署预训练的模型之前我们已经介绍如何通过Python接口(AutoTVM)来编译和优化模型.本文将介绍如何在远程(如本例中的树莓派)上部署预训练的模型. 在设备上构建 TVM Ru ...
Machine learning(ML)常用的几类学习器及Python实现
Machine learning(ML)常用的几种学习器及Python实现一.决策树 1.函数的参数主要为: 2. 决策树的保存二.Boostings 1.Adaboost 1.构建训练函数 2. ...
NML2.0|没有经验就不能部署自己的ML模型？不存在的！
谁说你需要数据科学学位?使用NML 2.0和AI Studio 2.0,即便是没有AI经验的开发人员也可以部署自己的机器学习模型. 开发人员目前可以基于NeoPulse AI Studio 2.0和其 ...
Linux Deploy:在Android上部署Linux
2019独角兽企业重金招聘Python工程师标准>>> PS: 打算在家里的旧安卓手机上安装linux,之前一直尝试使用complex Linux Installer,在我的泛泰A8 ...
在Android上部署深度学习模型之UI设计(七)
导读前面介绍了一些Android相关的配置文件,这篇文章我们主要来介绍一下Android UI设计相关的知识,如何来设计界UI. Android的布局 Android的UI主要是利用布局结合控件来设 ...
机器学习基础(Machine Learning,ML)
什么是机器学习机器学习是人工智能的一个子集,目前已经发展出许多有用的方法,比如支持向量机,回归,决策树,随机森林,强化方法,集成学习,深度学习等,一定程度上可以帮助人们完成一些数据预测,自动化,自动 ...
【Machine Learning】模型融合之Stacking
一.Stacking简介 Stacking(stacked generalization)是在大数据竞赛中不可缺少的武器,其指训练一个用于组合(combine)其他多个不同模型的模型,具体是说首先 ...
Tensorflow猫狗识别模型在Android上的部署
自iphone X以来,各品牌的手机旗舰机型都开始支持Face ID.与之前的指纹识别相比,人脸识别还是更方便一些.近期在国内大火的抖音,也与人脸识别技术密不可分.各手机厂家还纷纷推出人工智能芯片,希 ...
机器学习部署嵌入式_如何在移动和嵌入式设备上部署机器学习模型
机器学习部署嵌入式介绍 (Introduction) Thanks to libraries such as Pandas, scikit-learn, and Matplotlib, it i ...

在 Android 上部署Machine Learning（ML）模型

如何在 Android 上部署Machine Learning（ML）模型

目录

Android上Machine Learning项目的工作流程

在 Android 上实施Machine Learning工作流程的先决条件

在 Android 上实际实施Machine Learning

定义问题的陈述

构建Machine learning模型

标题内置Flask API

使用Postman测试应用程序

标题创建安卓应用

安装和设置安卓项目

创建Android UI

使用 AVD 运行 UI

API与安卓APP的连接

将 API 部署到 Heroku

将 API 连接到互联网

用 java 编写后端逻辑

尾注

在 Android 上部署Machine Learning（ML）模型相关推荐

最新文章

热门文章

在 Android 上部署Machine Learning（ML） 模型

如何在 Android 上部署Machine Learning（ML） 模型

目录

Android上Machine Learning项目的工作流程

在 Android 上实施Machine Learning工作流程的先决条件

在 Android 上实际实施Machine Learning

定义问题的陈述

构建Machine learning模型

标题内置Flask API

使用Postman测试应用程序

标题创建安卓应用

安装和设置安卓项目

创建Android UI

使用 AVD 运行 UI

API与安卓APP的连接

将 API 部署到 Heroku

将 API 连接到互联网

用 java 编写后端逻辑

尾注

在 Android 上部署Machine Learning（ML） 模型相关推荐

最新文章

热门文章

在 Android 上部署Machine Learning（ML）模型

如何在 Android 上部署Machine Learning（ML）模型

在 Android 上部署Machine Learning（ML）模型相关推荐