文 / Pavel Senchanka，Google 软件工程实习生
TensorFlow Lite 是业内一流的机器学习模型设备端推理解决方案。虽然完整的 TensorFlow Lite 训练解决方案仍在开发中，但我们已迫不及待地想与您分享新的设备端迁移学习示例。本文会向您介绍可现学现用的设备端机器学习模型个性化方法。下面，就让我们深入探讨一下迁移学习可以解决哪些问题，以及这背后的工作原理。
为什么个性化机器学习非常有用
如今，许多机器学习解决方案在解决问题时都依靠大量训练数据。图像识别、目标检测、语音和语言模型均是通过优质数据集精心训练而成，因此这些模型能够达到尽可能的通用和准确。这种规模能解决许多问题，但却无法通过自定义满足每位用户的需求。
假设您希望根据用户需求来调整模型，进而改善用户体验。在将用户数据发送到云端来训练模型时，您需要万分谨慎，以防出现潜在的隐私泄露问题。在某些情况下，可能并不适合将数据发送到中央服务器来进行训练，因为我们需要考虑功耗、数据限流和隐私等问题。然而，如果直接在设备端训练数据，您便无需考虑这些问题，而且还能享有以下好处：您可以将隐私及敏感数据保留在设备上，以此来节省带宽，同时在没有网络连接的情况下也能训练数据。
不过，您也会面临一项挑战：训练需要使用海量数据样本，但我们很难在设备端获取这些数据。在云端，从头开始训练深度网络需要耗费数日时间，因此这种方法并不合适设备端。为避免从头训练一个全新的模型，我们会通过重新训练已训练好的模型来适应类似问题，这一过程称为 迁移学习。
什么是迁移学习？
迁移学习是一项技术，其中涉及到对“数据丰富”的任务使用预训练模型，并重新训练该模型的部分层（通常是最后一层），以处理另一个“数据匮乏”任务。
例如，您可以选取已在一组类别上（如 ImageNet 中的类别）预训练好的图像分类模型（如 MobileNet），然后通过重新训练该模型的最后几层处理另一个任务。迁移学习并不仅适用于图像领域，您还可以将类似技术应用到文本或语音领域。
这个例子展示了传统机器学习 (ML) 与迁移学习在概念上的区别
借助迁移学习，即使训练数据和计算资源有限，您也可以在设备端轻松训练个性化模型，同时还能保护用户隐私。
在 Android 设备上训练图像分类器
在我们发布的示例项目中，有一个 Android 应用可学习对相机图像进行实时分类。在此应用中，我们可以针对不同目标类别拍摄样本照片，然后在设备端对其进行训练。
该应用会对 MobileNetV2 量化模型使用迁移学习技术，而我们已通过 ImageNet 对该模型进行了预训练，并将最后几层替换成可训练的 softmax 分类器。您可以通过训练最后几层来识别四个任意的新类别，而准确率则取决于要捕获的类别的“难度”。我们观察到，即使只有数十个样本，也足以取得良好的结果。（要知道，我们可是通过包含 130 万个样本的 ImageNet 对 MobileNetV2 模型进行了预训练！）。
这款应用能够在所有适用的最新 Android 设备（系统版本为 5.0 及以上）上运行，因此建议您不妨试用一下。已发布的示例中包含兼容 Android Studio 的项目配置。如要运行该应用，只需在 Android Studio 中导入项目、连接您的设备，然后点击“Run”（运行）即可。如需了解更多详细说明，请参阅项目的 README 文件。欢迎您通过 #TFLite、tensorflow 和 #PoweredByTF 话题与我们分享您的使用体验！
使用迁移学习流水线处理自己的任务
新的 GitHub 示例包含一组易于重复使用的工具，可帮助您轻松创建和使用自己的个性化模型。该示例包含三个不同的独立部分，每个部分负责迁移学习流水线中的一个步骤。
转换器
为了针对您的任务生成迁移学习模型，您需要选取以下两种模型来构成该模型：
- Base model：通常是在常见的数据丰富型任务上预训练过的深度神经网络。
- Head model：该模型会将基本模型生成的特征作为输入，然后通过学习这些特征来处理目标（个性化）任务。此模型通常是由几个全连接层组成的简单网络。
您可以在 TensorFlow 中定义您的模型，或者使用转换器自带的一些快捷方式轻松完成模型定义。具体而言，对于包含一个全连接层和 softmax 激活函数的标头模型来说，SoftmaxClassifier 便是该模型自带的快捷方式，并且它经过专门优化，可以更好地适配 TensorFlow Lite。
迁移学习转换器会提供 CLI 和 Python API，因此您可以在自己的程序或 notebook 中使用该转换器。
Android 库
迁移学习转换器生成的迁移学习模型无法直接用于 TensorFlow Lite 解释器。您需要使用中间层来处理该模型的非线性生命周期 (non-linear lifecycle)。目前，我们只会提供此中间层的 Android 实现。
Android 库作为示例的一部分托管运行，但该库位于独立的 Gradle 模块中，因此可以轻松整合到任何 Android 应用中。
如要详细了解迁移学习流水线，请参阅 README 中的详细说明。
未来工作
未来，我们可能会同时开展迁移学习流水线的改进工作，以及 TensorFlow Lite 完整训练解决方案的开发工作。今天我们只是单独以 GitHub 示例的形式为您简单介绍迁移学习流水线，日后我们将提供完整的训练方案。接下来，我们会调整迁移学习转换器，以生成无需其他运行时库就能运行的单个 TensorFlow Lite 模型。
感谢您阅读这篇文章！有关您使用此流水线开展的任何项目，请通过 TensorFlow Lite Google 网上论坛 与我们分享。
致谢
作为一项团队成果，本项目的成功离不开期间为我提供指导的 Yu-Cheng Ling 和 Jared Duke，同时也要感谢 Eileen Mao 和 Tanjin Prity，以及 Google TensorFlow Lite 团队中的实习生等其他成员。
原文：Example on-device model personalization with TensorFlow Lite
中文：TensorFlow 公众号