示例工程【免费下载链接】examplesTensorFlow examples项目地址https://gitcode.com/gh_mirrors/exam/examples点击查看免费下载Classification-by-RetrievalCbR按检索分类是 TensorFlow Lite 官方示例仓库examples/lite中提供的一种零训练建模技术借助预训练的特征提取模型加一组由索引数据计算而非反向传播训练出来的检索层仅用每类一张图片就能在数秒内生成一个可部署的 TFLite 图像分类模型。读完本文你将理解 CbR 相对传统训练流程与纯检索流程的差异、其检索层在 TFLite 算子图上的真实构建方式含浮点与 INT8 量化两条路径并掌握通过 iOS 示例应用或 CModelBuilderAPI 亲手构建、验证 CbR 模型的完整方法。1. 什么是 Classification-by-RetrievalCbR 提供了一种创建基于神经网络的分类器的简易途径全程不需要计算密集的反向传播训练README。这带来两个极端方向的建模能力少样本下限每类最少只需一张图片即可建立分类器大规模上限可以构建能区分数万甚至更多类别的端侧模型。官方曾基于 CbR 技术构建过可识别数万个地标landmarks的移动端模型。CbR 的典型适用场景包括机器学习教学例如教育性质的 hackathon 活动快速原型验证或 ML 分类能力的演示中小企业的自定义商品识别无需收集海量训练数据也无需编写大量代码。仓库提供了两种直接的体验入口一个 iOS 应用可以从照片图库选取图片并打标签在数秒内图片数量较少时创建一个 TfLite 分类器并立即用摄像头测试以及一套位于 lib/ 目录下的 C 构建库README 指出lib/tests中还提供用于构建分类器的命令行工具。2. 技术背景分类、检索与 CbR 的中间定位图像识别存在两条技术路线理解它们是理解 CbR 的前提维度典型分类Classification检索Retrieval建模方式构建神经网络分类器并用大量训练数据常为数千张以上训练使用预训练特征提取模型如图像嵌入模型 基于最近邻搜索的特征匹配类别规模受训练集限制扩展需重训可扩展可处理百万级类别增删类别无需重新训练每类数据量通常需要大量样本每类一张图片即可本质上是一种 few-shot 学习使用门槛直觉直观需要额外基础设施索引、搜索服务使用上不如分类模型直观CbR 的定位正是两者的折中它是一个把图像检索层烘焙进模型内部的神经网络。检索所需的索引数据不再依赖外部服务而是直接固化成模型里的权重张量与算子从而获得一个可以像普通分类模型一样直接加载、推理的标准 TFLite 模型——你不需要任何训练就能轻松创建一个 TensorFlow 分类模型README 原意。3. 检索层如何工作从概念到 TFLite 算子README 将 CbR 模型描述为嵌入模型的扩展附加的检索层是由训练数据即索引数据计算出来的而非训练出来的。检索层由两部分组成3.1 最近邻匹配分量概念上这是一个全连接层其权重就是索引数据的归一化嵌入。关键数学依据是两个归一化向量的点积余弦相似度与 L2 距离的平方之间是线性的带负系数关系因此该全连接层的输出在效果上等价于最近邻匹配结果。源码印证tflite_cbr_builder.cc 中的AddRetrievalBlock正是这样实现的——对每条索引嵌入调用Normalize()L2 归一化零向量除外后拼接为权重矩阵{num_instances, embedding_dim}作为常量张量加入模型先插入一个L2_NORMALIZATION算子归一化输入的嵌入向量注释明确说明这一步对保证最终分数有意义是必需的再接一个FULLY_CONNECTED算子输出即每个训练样本而非每个类别的相似度得分{1, num_instances}。3.2 结果聚合分量最近邻匹配的输出是针对每个训练样本的得分而分类需要的是每个类别的得分因此需要第二个分量每个类别先经过一个选择层挑选出属于该类别的样本得分再经过一个聚合层例如取最大值最后把所有类别的聚合结果拼接成单一输出向量。源码印证tflite_cbr_builder.cc 的AddAggregationBlock实现了这条链路——将{1, num_instances}的得分RESHAPE为{num_instances, 1}每个类别持有一张常量张量该类别包含的样本下标用EMBEDDING_LOOKUP算子从得分中选出本类样本对每个类别用REDUCE_MAX沿样本轴聚合出单一分数用CONCATENATION把所有类别分数拼成{num_classes}最后再RESHAPE为最终输出{1, num_classes}。类别与样本的对应关系在BuildCbRModel()中通过label_to_class_id映射建立相同标签的样本归入同一类且校验 embeddings 与 labels 数量必须一致tflite_cbr_builder.cc#L360-L389。3.3 INT8 量化检索路径BuildCbRModel()会检查嵌入输出张量的类型若基座嵌入模型输出为 FLOAT32走AddRetrievalBlock若输出为量化类型则走 AddQuantizedRetrievalBlock。从源码注释可以看到这条量化路径的设计要点量化版本整体小 4 倍INT8 权重替代 FLOAT32由于归一化与矩阵乘法算子不处理 UINT8 张量的零点位无法表示负值数据流设计为UINT8 → 反量化 → FLOAT32 → 归一化 → 量化 → INT8 → 全连接检索 → INT8 → 反量化 → FLOAT32权重量化步长固定取1/128源码注释解释理论上最优步长约为1/(sqrt(d)*64)d 为嵌入维度但步长过大会导致全连接结果溢出超过 128因此采用标准步长 1/128 以保证相似嵌入之间结果的精度聚合块与最终输出目前尚不支持 INT8源码中留有 TODO所以检索结果会被反量化回 FLOAT32 再送入聚合块。3.4 完整模型构建调用链上面的算子拼装由 lib/model_builder.cc 中的ModelBuilder统一编排其对外 API 与约束如下以 model_builder.h 的接口注释为准方法作用与约束CreateFromImageEmbedderOptions(options)由ImageEmbedderOptions初始化不支持quantize选项开启的标量量化也不支持多头multi-headImageEmbeddermodel_builder.cc#L41-L68AddLabeledImage(label, frame_buffer)对每张带标签图片调用嵌入模型保存特征向量与标签需在构建前对每张索引图片多次调用BuildModel()终结构建要求至少两张带标签图片否则返回FailedPreconditionErrormodel_builder.cc#L163-L197成功时返回带元数据的ExternalFile可直接用于初始化ImageClassifier或写盘为.tflite文件并重置内部状态以便构建下一个模型SetMetadata(...)设置名称、描述、作者、版本、许可证及关联文件在BuildModel()返回时随模型一并固化值得注意的元数据细节PopulateMetadata()会把按顺序收集的类别标签写入内嵌的labelmap.txt并将其登记为输出张量的TENSOR_AXIS_LABELS关联文件model_builder.cc#L95-L161。这意味着产出的模型开箱即可被 Task API 的ImageClassifier识别标签无需额外携带标签文件。辅助工具 labeled_image_helper.h 还提供了AddLabeledImageFromPath()可直接从文件路径读图、转FrameBuffer并加入构建器是命令行构建器的底层支撑。4. 基座嵌入模型的选择CbR 的检索能力完全依赖所选基座嵌入模型因此应按领域选择最合适的嵌入模型。TensorFlow Hub 上为不同领域提供了多种嵌入模型可选。仓库自带的 iOS 演示 使用的是在 ImageNet 上训练的MobileNet V3 Small100% 输入 224x224feature vector 模型——一个通用且高效的端侧模型。这一点在构建配置中有直接印证CbR 的独立 Bazel 工作区 WORKSPACE 通过http_file规则锁定下载该 MobileNet V3 嵌入模型imagenet-mobilenet_v3_small_100_224-feature_vector.tflite带 sha256 校验并固定了tflite-supportf5dadc83提交与 TensorFlowa221f72e2021-09-29的依赖版本。换言之该工作区是一个可独立构建的 CbR 构建环境基座模型即示例所用的 MobileNet V3 嵌入模型。5. 与 Few-Shot Learning 的精度关系在某种意义上CbR索引式可以视为一种免训练的 few-shot 学习。README 也审慎地指出把 CbR 与任意预训练基座模型下的典型 few-shot 学习方法直接对比并非完全公平apples to apples。但有一篇研究arXiv:1911.04623将最近邻检索与 CbR 等价与多种 few-shot 学习方法进行了比较结论是最近邻检索的精度可以与许多 few-shot 学习方法相当甚至更好。因此在类别数量多、每类样本极少或需要频繁增删类别的场景下CbR 是一个值得优先考虑的方案。6. 用 iOS 示例应用亲手构建 CbR 模型CbR iOS 示例ImageClassifierBuilder完整演示了选取图片 → 打标签 → 秒级建模 → 实时测试的闭环。环境要求与构建步骤如下摘自其 README要求iOS 14.0 或更高版本的设备Xcode 12.5 或更高版本有效的 Apple Developer IDXcode 命令行工具xcode-select --install注意该应用依赖摄像头必须在真实 iOS 设备上运行模拟器可以构建运行但会抛出Camera not found异常。模拟器构建$ git clone https://github.com/tensorflow/examples.git $ cd examples/lite/examples/classification_by_retrieval $ bazel build -c opt --configios_x86_64 ios:ImageClassifierBuilder真机构建先从 Apple 获取移动设备描述文件mobile provisioning profile建立符号链接ln -s path/to/your/profile.mobileprovision ProvisioningProfile.mobileprovision在 ios/BUILD 中取消所有ProvisioningProfile.mobileprovision相关行的注释执行bazel build -c opt --configios_arm64 ios:ImageClassifierBuilder。安装后需授予相机与照片图库权限。使用流程是先从照片图库的相册创建模型每选一个相册/图片即形成一个类别随后用摄像头对准训练过的物体即可实时查看分类效果。应用的核心 Swift 代码ModelTrainer.swift、ModelTrainingUtils.mm 等通过桥接层调用上文第 3、4 节所述的 CModelBuilder把图库图片逐张嵌入并累积进检索层最终产出一个可直接用于实时分类的 TFLite 模型。7. 负责任地构建模型仓库在 README 末尾同样强调了负责任的 AI 实践鼓励构建公平、负责任的分类器并建议参考 TensorFlow 官方的 Responsible AI 资料tensorflow.org/responsible_ai、Google 的 Fair is Not the Default 设计指南以及 Google Machine Learning Crash Course 中的公平性视频课程等公开资源在面向真实用户发布 CbR 模型前完成公平性评估。8. 小结何时选择 CbR结合本示例仓库的文档与源码CbR 的技术画像可以归纳为零训练检索层权重由索引嵌入计算得到BuildModel()之前无需任何梯度更新标准模型输出产物是普通 TFLite 分类模型内嵌labelmap.txt元数据可直接被 Task API 加载部署路径与传统分类模型完全一致灵活的类别管理新增/删除类别只需重建索引块无需重训且支持每类单图few-shot到数万类的跨度明确的实现边界当前实现要求嵌入模型为单输出头、不经过额外标量量化量化检索路径依赖嵌入输出本身为量化类型且构建至少需要两张带标签图片——这些约束都可在 model_builder.cc 与 model_builder.cc 中逐条得到验证。对于需要少数据、快交付、易增删类别的端侧图像识别需求这套由 README、lib/ C 库与 iOS 示例 共同构成的 CbR 方案提供了从原理、构建器到成品应用的完整参考。赞分享示例工程【免费下载链接】examplesTensorFlow examples项目地址https://gitcode.com/gh_mirrors/exam/examples点击查看免费下载相关推荐TensorFlow Lite图像分类模型训练与部署完整指南TensorFlow Lite图像分类模型训练与部署完整指南 TensorFlow Lite图像分类技术让移动端AI应用开发变得前所未有的简单 这个强大文档教程知识库如何快速构建你的第一个TensorFlow Lite图像分类器从入门到实战如何快速构建你的第一个TensorFlow Lite图像分类器从入门到实战 TensorFlow Lite图像分类器项目是一个基于Android ThingsTensorFlow Lite 图像分类器项目教程TensorFlow Lite 图像分类器项目教程 项目介绍 TensorFlow Lite 图像分类器项目是一个开源项目旨在通过 TensorFlow Li上一篇LeetCode-Go 题解精讲198. House Robber 三种解法与动态规划推导下一篇turbovec 2-bit 搜索性能爬升实录从内核布局到测量方法论的完整工程日志解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考