近期需要将pytorch模型运行到android手机上实验，在查阅网上博客后，发现大多数流程需要借助多个框架或软件，横跨多个编程语言、IDE。本文参考以下两篇博文，力求用更简洁的流程实现模型部署。

https://blog.csdn.net/xiaodidididi521/article/details/123985612
https://blog.csdn.net/m0_67391683/article/details/125401357

向两位作者表示感谢！本文进一步详细描述了实现流程。

一、pytorch模型转化

pytorch模型无法直接被Android调用，需要转化为特定格式.pt。本文使用pycharm IDE完成这一步，工程目录结构如下：
![pycharm目录结构](https://img-blog.csdnimg.cn/d67266301c3f43bfa20d3585dc5fe836.png#pic_center
其中，vgg16bn_CIFAR10.pth和另一个pth文件是需要部署到手机上的模型，models.py是自己定义的网络结构。在此默认读者熟悉pytorch，对models.py不做赘述。

执行以下代码实现转换：

import torch.utils.data.distributed'定义转化后的模型名称'model_ori_pt ='model_ori.pt'model_pruned_pt ='model_pruned.pt''加载pytorch模型'model_ori = torch.load('vgg16bn_CIFAR10.pth')model_pruned = torch.load('vgg16bn_CIFAR10_pruned.pth')'模型在cpu上运行'device = torch.device('cpu')model_ori.to(device)model_pruned.to(device)model_ori.eval()model_pruned.eval()'定义输入图片的大小'input_tensor = torch.rand(1, 3, 32, 32)'转化模型并存储'mobile_ori = torch.jit.trace(model_ori, input_tensor)model_pruned = torch.jit.trace(model_pruned, input_tensor)mobile_ori.save(model_ori_pt)model_pruned.save(model_pruned_pt)

请注意，让模型在cpu上，或cuda上执行eval()均可，但要保证模型与input_tensor在同一设备上，否则将运行出错。运行后，会得到model_ori.pt与model_pruned.pt两个文件，即可以用于android上的文件。此时目录结构如下：

二、新建Android Studio工程

首先，需要在本地安装Android Studio，安装流程建议参照：

https://m.runoob.com/android/android-studio-install.html?ivk_sa=1024320u
然后打开Android Studio新建Empy Activity

点击Next。

点击Finsh。SDK建议选择7.0以往的安卓版本。**首次新建工程底部会长时间出现加载进度条，请耐心等待加载完成。**接下来，我们需要有一部手机调试工程，本文使用Android Studio自带的模拟器。首先点击顶部工具栏的Device Manager。

点击create device

接下来选择机型、安卓版本、内存等，如不想麻烦可一直点击next。

finsh后，Android Studio需要下载安卓版本包，需要耐心等待。下载完成后即可启动虚拟机。

再shift+F10即可在模拟机里运行程序。

三、转化后的模型部署安卓

首先，新建assets文件夹，请不要直接新建，需右键app->Folder->Assets Folder。

之后将转化好的两个模型及侧视图放入assets文件夹。本文使用的是CIFAR10数据集，可在以下网址下载：

http://www.cs.toronto.edu/~kriz/cifar.html
然后在gradle Scripts 文件夹中的build.gradle(Module :app)文件中的depencies里添加：

implementation 'org.pytorch:pytorch_android:1.12.1'implementation 'org.pytorch:pytorch_android_torchvision:1.12.1'

请注意**1.12.1是本文使用的pytorch版本，读者应该为对应的版本号。**然后点击工具栏下的sync now，再耐心等待运行按钮变绿。

双击res->layout->activity_main.xml并切换到code。

删除所有代码，复制以下代码段：

<?xml version="1.0" encoding="utf-8"?><FrameLayout xmlns:android="http://schemas.android.com/apk/res/android"    xmlns:tools="http://schemas.android.com/tools"    android:layout_width="match_parent"    android:layout_height="match_parent"    tools:context=".MainActivity">    <ImageView        android:id="@+id/image"        android:layout_width="match_parent"        android:layout_height="match_parent"        android:scaleType="fitCenter" />    <TextView        android:id="@+id/text"        android:layout_width="match_parent"        android:layout_height="wrap_content"        android:layout_gravity="top"        android:textSize="24sp"        android:textColor="@android:color/holo_red_light" /></FrameLayout>

然后右键java里的com.example.工程名 文件夹，New->Java Class。本文新建的类名是CIfarClassed，类内代码：

package com.example.工程名;public class CifarClassed {    public static String[] IMAGENET_CLASSES = new String[]{            "ddd",            "automobile",            "bird",            "cat",            "deer",            "dog",            "frog",            "horse",            "ship",            "truck",    };}

最后打开java->com.example.工程名->MainActivity，删除原代码，用以下代码替代：

package com.example.dnna;import android.content.Context;import android.graphics.Bitmap;import android.graphics.BitmapFactory;import android.os.Bundle;import android.util.Log;import android.widget.ImageView;import android.widget.TextView;import org.pytorch.IValue;import org.pytorch.Module;import org.pytorch.Tensor;import org.pytorch.torchvision.TensorImageUtils;import org.pytorch.MemoryFormat;import java.io.File;import java.io.FileOutputStream;import java.io.IOException;import java.io.InputStream;import java.io.OutputStream;import androidx.appcompat.app.AppCompatActivity;import com.example.dnna.CifarClassed;public class MainActivity extends AppCompatActivity {    @Override    protected void onCreate(Bundle savedInstanceState) {        super.onCreate(savedInstanceState);        setContentView(R.layout.activity_main);        Bitmap bitmap = null;        Module module_ori = null;        Module module_pruned = null;        try {            // creating bitmap from packaged into app android asset 'image.jpg',            // app/class="lazy" data-src/main/assets/image.jpg            bitmap = BitmapFactory.decodeStream(getAssets().open("x.png"));            // loading serialized torchscript module from packaged into app android asset model.pt,            // app/class="lazy" data-src/model/assets/model.pt            module_ori = Module.load(assetFilePath(this, "model_ori.pt"));            module_pruned = Module.load(assetFilePath(this, "model——pruned.pt"));        } catch (IOException e) {            Log.e("PytorchHelloWorld", "Error reading assets", e);            finish();        }        // showing image on UI        ImageView imageView = findViewById(R.id.image);        imageView.setImageBitmap(bitmap);        // preparing input tensor        final Tensor inputTensor = TensorImageUtils.bitmapToFloat32Tensor(bitmap,                TensorImageUtils.TORCHVISION_NORM_MEAN_RGB, TensorImageUtils.TORCHVISION_NORM_STD_RGB, MemoryFormat.CHANNELS_LAST);        // running the model        long startTime_ori = System.currentTimeMillis();        final Tensor outputTensor_ori = module_ori.forward(IValue.from(inputTensor)).toTensor();        long endTime_ori = System.currentTimeMillis();        long InferenceTimeOri=endTime_ori - startTime_ori;        long startTime_pruned = System.currentTimeMillis();        final Tensor outputTensor_pruned = module_pruned.forward(IValue.from(inputTensor)).toTensor();        long endTime_pruned = System.currentTimeMillis();        long InferenceTimePruned=endTime_pruned - startTime_pruned;        // getting tensor content as java array of floats        final float[] scores = outputTensor_ori.getDataAsFloatArray();        // searching for the index with maximum score        float maxScore = -Float.MAX_VALUE;        int maxScoreIdx = -1;        for (int i = 0; i < scores.length; i++) {            if (scores[i] > maxScore) {                maxScore = scores[i];                maxScoreIdx = i;            }        }        System.out.println(maxScoreIdx);        String className = CifarClassed.IMAGENET_CLASSES[maxScoreIdx];        // showing className on UI        TextView textView = findViewById(R.id.text);        String tex="推理结果："+className+"\n原始模型推理时间："+InferenceTimeOri+"ms"+"\n剪枝模型推理时间："+InferenceTimePruned+"ms";        textView.setText(tex);    }        public static String assetFilePath(Context context, String assetName) throws IOException {        File file = new File(context.getFilesDir(), assetName);        if (file.exists() && file.length() > 0) {            return file.getAbsolutePath();        }        try (InputStream is = context.getAssets().open(assetName)) {            try (OutputStream os = new FileOutputStream(file)) {                byte[] buffer = new byte[4 * 1024];                int read;                while ((read = is.read(buffer)) != -1) {                    os.write(buffer, 0, read);                }                os.flush();            }            return file.getAbsolutePath();        }    }}

运行效果如下图：

四、结语

本文的主要流程是：

• 使用pytorch转化模型
• 新建Android Studio工程与虚拟机
• 修改Android Studio工程代码

本人目前希望提升自己的博客撰写水平，如读者在实现过程中遇到困难，或在阅读本文时感到困惑，欢迎留言或添加我的QQ:1106295085。我将在周日下午回复，并积极修改本文。

来源地址：https://blog.csdn.net/qq_39068200/article/details/129231207