一、环境
1、首先你得安装好Xcode 8，确定开发者目录指向你安装Xcode的位置并且已经被激活。（如果你在安装Xcode之前已经安装了Homebrew，这可能会指向错误的地址，导致TensorFlow安装失败）：
sudo xcode-select -s /Applications/Xcode.app/Contents/Developer
2、安装Homebrew：https://brew.sh/index_zh-cn.html
3、Homebrew安装其他软件
brew install python3
brew cask install java
brew install bazel
brew install automake
brew install libtool
brew install wget
4、命令：brew list 查看已安装的软件
5、成功安装了python3，那pip3也随着被安装了，使用python3 的包管理器pip3来安装所需要的包。
pip3 install numpy
pip3 install scipy
pip3 install scikit-learn
pip3 install pandas
pip3 install tensorflow
6、命令：pip3 list 查看已安装的包
这些包会安装在/usr/local/lib/python3.6/site-packages目录下。
7、下载TensorFlow源码，需要使用源码文件编译模型，并且使用官方iOS的Demo。
克隆TensorFlow GitHub仓库。注意，一定要保存在没有空格的路径下，否则bazel会拒绝构建。我是克隆到我的主目录下：
cd /Users/javalong/Downloads/Tensorflow
git clone https://github.com/tensorflow/tensorflow
一旦GitHub仓库克隆完毕，你就需要运行配置脚本（configure script）:
cd /Users/javalong/Downloads/Tensorflow/tensorflow-master
./configure
这里有些地方可能需要你自行配置，比如：
Please specify the location of python. [Default is /usr/bin/python]:
我写的是/usr/local/bin/python3，因为我使用的是Python 3.6。如果你选择默认选项，就会使用Python 2.7来创建TensorFlow。
Please specify optimization flags to use during compilation [Default is
-march=native]:
这里只需要按Enter键。后面两个问题，只需要选择n（表示 no）。当询问使用哪个Python库时，按Enter键选择默认选项（应该是Python 3.6 库）。剩下的问题都选择n。随后，这个脚本将会下载大量的依赖项并准备构建TensorFlow所需的一切。
8、构建静态库
有两种方法构建TensorFlow：1.在Mac上使用bazel工具；2.在IOS上，使用Makefile。我们是在IOS上构建，所以选择第2种方式。不过因为会用到一些工具，也会用到第一种方式。
在TensorFlow的目录中执行以下脚本：
tensorflow/contrib/makefile/build_all_ios.sh
这个脚本首先会下载一些依赖项，然后开始构建。一切顺利的话，它会创建三个链入你的app的静态库：libtensorflow-core.a， libprotobuf.a， libprotobuf-lite.a。
还有另外两个工具需要构建，在终端运行如下两行命令：
bazel build tensorflow/python/tools:freeze_graph
bazel build tensorflow/python/tools:optimize_for_inference
Note: 这个过程至少需要20分钟，因为它会从头开始构建TensorFlow（本次使用的是bazel）。如果遇到问题，请参考官方指导。
9、iOS工程配置引用参考：
9.1、Other Linker Flags :
-force_load $(SRCROOT)/../../makefile/gen/lib/libtensorflow-core.a
如图：
9.2、Header Search Paths :
$(SRCROOT)/../../makefile/gen/proto $(SRCROOT)/../../makefile/downloads/eigen $(SRCROOT)/../../makefile/downloads $(SRCROOT)/../../makefile/downloads/protobuf/src/ $(SRCROOT)/../../../..
9.3、Libaray Search Paths ：
$(SRCROOT)/../../makefile/gen/lib $(SRCROOT)/../../makefile/gen/protobuf_ios/lib
如图：
9.4、Demo工程与makefile目录相对关系如图：
10、库的引用如图：
二、模型训练
1.下载数据
cd /Users/javalong/Desktop
mkdir Test
cd Test
curl -O http://download.tensorflow.org/example_images/flower_photos.tgz
tar xzf flower_photos.tgz
进入flower_photos，可以看到5个文件夹，daisy dandelion roses sunflowers tulips
2. 利用预训练模型训练数据
模型是谷歌的Inceptionv3（http://arxiv.org/abs/1512.00567）。在2012年的imageNet上进行训练，并在2012ImageNet上取得了3.4%的top-5准确率（人类的只有5%）。
这么一个复杂的网络若是直接自己训练，起码需要几天甚至十几天的时间。所以这里我采用复用深度学习的方法。即模型前面的层的参数都不变，而只训练最后一层的方法。最后一层是一个softmax分类器，这个分类器在原来的网络上是1000个输出节点（ImageNet有1000个类），所以需要删除网络的最后的一层，变为所需要的输出节点数量，然后再进行训练。
tensorflow/examples/image_retraining/retrain.py 中采用的方法是这样的：将自己的训练集中的每张图像输入网络，最后在瓶颈层（bottleneck），就是倒数第二层，会生成一个2048维度的特征向量，将这个特征保存在一个txt文件中，再用这个特征来训练softmax分类器。
进入tensorflow源代码目录
2.1、
cd /Users/javalong/Downloads/Tensorflow/tensorflow-master
2.2、
python3 tensorflow/examples/image_retraining/retrain.py \
--bottleneck_dir=/Users/javalong/Desktop/Test/ \
--how_many_training_steps 100000 \
--model_dir=/Users/javalong/Desktop/Test/inception2 \
--output_graph=/Users/javalong/Desktop/Test/retrained_graph2.pb \
--output_labels=/Users/javalong/Desktop/Test/retrained_labels.txt \
--image_dir=/Users/javalong/Desktop/Test/flower_photos
脚本会下载Inceptionv3模型，80多兆，可以提前下载好放到Test的inception2目录下
模型路径:http://download.tensorflow.org/models/image/imagenet/inception-2015-12-05.tgz
训练完成后，在Test目录下看到模型文件retrained_graph.pb和标签retrained_labels.txt。
3. 模型验证
新建文件label_image.py，注意格式，代码缩进使用tab
#-*- coding:utf-8 -*-
import os
import numpy as np
import tensorflow as tf
from sklearn import metrics
# 随便一张玫瑰花图片
image_path = "test1.jpg"
# read in the image_data
image_data = tf.gfile.FastGFile(image_path, "rb").read()
# Loads label file, strips off carriage return
label_lines = [line.strip() for line in tf.gfile.GFile("retrained_labels.txt")]
# Unpersists graph from file
with tf.gfile.FastGFile("retrained_graph2.pb", "rb") as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
_ = tf.import_graph_def(graph_def, name="")
with tf.Session() as sess:
# Feed the image_data as input to the graph and get first prediction
softmax_tensor = sess.graph.get_tensor_by_name("final_result:0")
preditions = sess.run(softmax_tensor, {"DecodeJpeg/contents:0":image_data})
# sort to show labels of first prediction in order of confidence
top_k = preditions[0].argsort()[-len(preditions[0]):][::-1]
for node_id in top_k:
human_string = label_lines[node_id]
score = preditions[0][node_id]
print('%s (score = %.5f' %(human_string, score))
执行文件
python label_image.py
得到类似下图结果
三 、编译模型
将模型文件转化成ios可以上可以运行的文件
1、首先编译tensorflow源码示例中的label_image来测试retrained_graph2.pb模型
1.1、
cd /Users/javalong/Downloads/Tensorflow/tensorflow-master
1.2、
bazel build tensorflow/examples/label_image:label_image
1.3、
bazel-bin/tensorflow/examples/label_image/label_image \
--output_layer=final_result \
--labels=/Users/javalong/Desktop/Test/retrained_labels.txt \
--image=/Users/javalong/Desktop/Test/flower_photos/daisy/5547758_eea9edfd54_n.jpg \
--graph=/Users/javalong/Desktop/Test/retrained_graph2.pb
如图所示：
2、优化模型并去掉ios不支持的算子
翻译文章中说明如下：
“由于移动设备内存有限，并且app需要下载，因此TensorFlow的iOS版本只支持那些推理中常见的算子（ops，提供英文原文以防翻译错误），没有大量支持扩展的依赖项。你可以在tensorflow/contrib/makefile/tf_op_files.txt这个文件中找到可以使用的算子列表。”
文章中提到，DecodeJpeg是不能使用的算子之一，因为其实现方法依赖于libjpeg，而它在iOS上运行非常麻烦（painful to support），并且增加binary footprint（不懂。。。）。尽管可以用iOS原生的图像库实现，大部分应用其实直接图像buffer而不需要对jpeg进行编码。
问题麻烦的地方在于，我们使用的Inception模型包括了DecodeJpeg算子。我们通过直接将图片数据传给Mul结点绕过DecodeJpeg操作。尽管如此，图被加载的时候，如果平台不支持，即使算子没有被调用，还是会报错，因此我们利用optimize_for_inference去掉所有没有被输入和输出结点用到的结点。这个脚本同时会完成一些优化来加速，例如将batch normalization转换成卷积权重（the convolutional weights）来减少计算次数。
2.1、
bazel build tensorflow/python/tools:optimize_for_inference
2.2、
bazel-bin/tensorflow/python/tools/optimize_for_inference \
--input=/Users/javalong/Desktop/Test/retrained_graph2.pb \
--output=/Users/javalong/Desktop/Test/optimized_graph.pb \
--input_names=Mul \
--output_names=final_result
如图所示：
同样可以通过label_image验证optimized_graph.pb模型的有效性。
3、将模型的权重变成256之内的常数
优化前模型87.5M，优化后的模型还是有87.2M，可以损失一定的精确度，将模型的权重从浮点型转化成整数。
3.1、
bazel build tensorflow/tools/quantization:quantize_graph
3.2、
bazel-bin/tensorflow/tools/quantization/quantize_graph --input=/Users/javalong/Desktop/Test/optimized_graph.pb \
--output=/Users/javalong/Desktop/Test/rounded_graph.pb \
--output_node_names=final_result \
--mode=weights_rounded
如图所示：
4、验证rounded_graph.pb模型
4.1、
bazel-bin/tensorflow/examples/label_image/label_image \
--output_layer=final_result \
--labels=/Users/javalong/Desktop/Test/retrained_labels.txt \
--image=/Users/javalong/Desktop/Test/flower_photos/daisy/5547758_eea9edfd54_n.jpg \
--graph=/Users/javalong/Desktop/Test/rounded_graph.pb
如图所示：
5、内存映射（memory mapping）
由于app将87M的模型权值加载到内存中，会对RAM带来压力导致稳定性问题，因为OS可能会杀死占用内存太多的应用。幸运的是，这些缓冲区的内容是只读的，能以os在内存遇到压力的时候很容易释放的方式将模型映射到内存中。为此，我们将模型转换成可以从GraphDef分别加载到形式。
5.1、
bazel build tensorflow/contrib/util:convert_graphdef_memmapped_format
5.2、
bazel-bin/tensorflow/contrib/util/convert_graphdef_memmapped_format \
--in_graph=/Users/javalong/Desktop/Test/rounded_graph.pb \
--out_graph=/Users/javalong/Desktop/Test/mmapped_graph.pb
需要注意的是，此时模型文件已经不是一般的GraphDef protobuf，所以如果还按照以前的方法加载会遇到错误。
5.3、
bazel-bin/tensorflow/examples/label_image/label_image \
--output_layer=final_result \
--labels=/Users/javalong/Desktop/Test/retrained_labels.txt \
--image=/Users/javalong/Desktop/Test/flower_photos/daisy/5547758_eea9edfd54_n.jpg \
--graph=/Users/javalong/Desktop/Test/mmapped_graph.pb
如图所示：
四、使用iOS Demo工程
1、demo是在tensorflow官方提供的ios示例代码camera的基础上进行的修改，工程路径：tensorflow/contrib/ios_examples/camera。
2、将rounded_graph.pb和retrained_labels.txt导入到data目录下。
3、修改CameraExampleViewController.mm中要加载到文件，图片等尺寸，结点的名字和如何缩放像素值。
4、最后程序运行的结果如下：
