# 基于Java接口实现端侧训练
`Android` `Java` `全流程` `模型加载` `模型训练` `数据准备` `初级` `中级` `高级`
[](https://gitee.com/mindspore/docs/blob/r1.3/docs/lite/docs/source_zh_cn/quick_start/train_lenet_java.md)
## 概述
本教程通过构建并部署Java版本的LeNet网络的训练，演示MindSpore Lite端侧训练Java接口的使用。 首先指导您在本地成功训练LeNet模型，然后讲解示例代码。
## 准备
### 环境要求
- 系统环境：Linux x86_64，推荐使用Ubuntu 18.04.02LTS
- 软件依赖
- [Git](https://git-scm.com/downloads) >= 2.28.0
- [Maven](https://maven.apache.org/download.cgi) >= 3.3
- [OpenJDK](https://openjdk.java.net/install/) >= 1.8
### 下载MindSpore并编译端侧训练Java包
首先克隆源码，然后编译MindSpore Lite端侧训练Java包，`Linux`指令如下：
```bash
git clone https://gitee.com/mindspore/mindspore.git -b r1.3
cd mindspore
bash build.sh -I x86_64 -j8
```
更详细的编译说明，请参考[编译MindSpore Lite](https://www.mindspore.cn/lite/docs/zh-CN/r1.3/use/build.html)章节。
本教程使用的示例源码在`mindspore/lite/examples/train_lenet_java`目录。
### 下载数据集
示例中的`MNIST`数据集由10类28*28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。
> MNIST数据集官网下载地址：，共4个下载链接，分别是训练数据、训练标签、测试数据和测试标签。
下载并解压到本地，解压后的训练和测试集分别存放于`/PATH/MNIST_Data/train`和`/PATH/MNIST_Data/test`路径下。
目录结构如下：
```text
MNIST_Data/
├── test
│ ├── t10k-images-idx3-ubyte
│ └── t10k-labels-idx1-ubyte
└── train
├── train-images-idx3-ubyte
└── train-labels-idx1-ubyte
```
## 部署应用
### 构建与运行
1. 首先进入示例工程所在目录，运行示例程序，命令如下：
```bash
cd /codes/mindspore/mindspore/lite/examples/train_lenet_java
./prepare_and_run.sh -D /PATH/MNIST_Data/ -r ../../../../output/mindspore-lite-${version}-linux-x64.tar.gz
```
> ../resources/model/lenet_tod.ms是示例工程中预置的LeNet训练模型，您也可以参考[训练模型转换](https://www.mindspore.cn/lite/docs/zh-CN/r1.3/use/converter_train.html)，自行转换出LeNet模型。
>
> /PATH/MNIST_Data/是MNIST数据集所在路径。
示例运行结果如下：
```text
MindSpore Lite 1.3.0
==========Loading Model, Create Train Session=============
Model path is ../model/lenet_tod.ms
batch_size: 4
virtual batch multiplier: 16
==========Initing DataSet================
train data cnt: 60000
test data cnt: 10000
==========Training Model===================
step_500: Loss is 0.05553353 [min=0.010149269] max_accc=0.9543269
step_1000: Loss is 0.15295759 [min=0.0018140086] max_accc=0.96594554
step_1500: Loss is 0.018035552 [min=0.0018140086] max_accc=0.9704527
step_2000: Loss is 0.029250022 [min=0.0010245014] max_accc=0.9765625
step_2500: Loss is 0.11875624 [min=7.5288175E-4] max_accc=0.9765625
step_3000: Loss is 0.046675075 [min=7.5288175E-4] max_accc=0.9765625
step_3500: Loss is 0.034442786 [min=4.3545474E-4] max_accc=0.97686297
==========Evaluating The Trained Model============
accuracy = 0.9770633
Trained model successfully saved: ./model/lenet_tod_trained.ms
```
## 示例程序详细说明
### 示例程序结构
```text
train_lenet_java
├── lib
├── build.sh
├── model
│ ├── lenet_export.py
│ ├── prepare_model.sh
│ └── train_utils.sh
├── pom.xml
├── prepare_and_run.sh
├── resources
│ └── model
│ └── lenet_tod.ms # LeNet训练模型
├── src
│ └── main
│ └── java
│ └── com
│ └── mindspore
│ └── lite
│ ├── train_lenet
│ │ ├── DataSet.java # MNIST数据集处理
│ │ ├── Main.java # Main函数
│ │ └── NetRunner.java # 整体训练流程
```
### 编写端侧推理代码
详细的Java接口使用请参考。
1. 加载MindSpore Lite模型文件，构建会话。
```java
MSConfig msConfig = new MSConfig();
// arg 0: DeviceType:DT_CPU -> 0
// arg 1: ThreadNum -> 2
// arg 2: cpuBindMode:NO_BIND -> 0
// arg 3: enable_fp16 -> false
msConfig.init(0, 2, 0, false);
session = new LiteSession();
System.out.println("Model path is " + modelPath);
session = session.createTrainSession(modelPath, msConfig, false);
session.setupVirtualBatch(virtualBatch, 0.01f, 1.00f);
```
2. 切换为训练模式，循环迭代，训练模型。
```java
session.train();
float min_loss = 1000;
float max_acc = 0;
for (int i = 0; i < cycles; i++) {
for (int b = 0; b < virtualBatch; b++) {
fillInputData(ds.getTrainData(), false);
session.runGraph();
float loss = getLoss();
if (min_loss > loss) {
min_loss = loss;
}
if ((b == 0) && ((i + 1) % 500 == 0)) {
float acc = calculateAccuracy(10); // only test 10 batch size
if (max_acc < acc) {
max_acc = acc;
}
System.out.println("step_" + (i + 1) + ": \tLoss is " + loss + " [min=" + min_loss + "]" + " max_accc=" + max_acc);
}
}
}
```
3. 切换为推理模式，执行推理，评估模型精度。
```java
session.eval();
for (long i = 0; i < tests; i++) {
Vector labels = fillInputData(test_set, (maxTests == -1));
if (labels.size() != batchSize) {
System.err.println("unexpected labels size: " + labels.size() + " batch_size size: " + batchSize);
System.exit(1);
}
session.runGraph();
MSTensor outputsv = searchOutputsForSize((int) (batchSize * numOfClasses));
if (outputsv == null) {
System.err.println("can not find output tensor with size: " + batchSize * numOfClasses);
System.exit(1);
}
float[] scores = outputsv.getFloatData();
for (int b = 0; b < batchSize; b++) {
int max_idx = 0;
float max_score = scores[(int) (numOfClasses * b)];
for (int c = 0; c < numOfClasses; c++) {
if (scores[(int) (numOfClasses * b + c)] > max_score) {
max_score = scores[(int) (numOfClasses * b + c)];
max_idx = c;
}
}
if (labels.get(b) == max_idx) {
accuracy += 1.0;
}
}
}
```
推理完成后，如果需要继续训练，需要切换为训练模式。
4. 保存训练模型。
```java
// arg 0: FileName
// arg 1: model type MT_TRAIN -> 0
// arg 2: quantization type QT_DEFAULT -> 0
session.export(trainedFilePath, 0, 0)
```
模型训练完成后，保存到指定路径，后续可以继续加载运行。