add style course

change photos

fix readme

model_zoo/official/lite/style_transfer/README.md

@@ -0,0 +1,305 @@
+# MindSpore Lite 端侧骨骼检测demo（Android）
+
+本示例程序演示了如何在端侧利用MindSpore Lite API以及MindSpore Lite风格迁移模型完成端侧推理，根据demo内置的标准图片更换目标图片的艺术风格，并在App图像预览界面中显示出来。
+
+## 运行依赖
+
+- Android Studio >= 3.2 (推荐4.0以上版本)
+- NDK 21.3
+- CMake 3.10
+- Android SDK >= 26
+
+## 构建与运行
+
+1. 在Android Studio中加载本示例源码，并安装相应的SDK（指定SDK版本后，由Android Studio自动安装）。
+
+    ![start_home](images/home.png)
+
+    启动Android Studio后，点击`File->Settings->System Settings->Android SDK`，勾选相应的SDK。如下图所示，勾选后，点击`OK`，Android Studio即可自动安装SDK。
+
+    ![start_sdk](images/sdk_management.png)
+
+    使用过程中若出现Android Studio配置问题，可参考第5项解决。
+
+2. 连接Android设备，运行骨应用程序。
+
+    通过USB连接Android设备调试，点击`Run 'app'`即可在你的设备上运行本示例项目。
+    > 编译过程中Android Studio会自动下载MindSpore Lite、模型文件等相关依赖项，编译过程需做耐心等待。
+
+    ![run_app](images/run_app.PNG)
+
+    Android Studio连接设备调试操作，可参考<https://developer.android.com/studio/run/device?hl=zh-cn>。
+
+3. 在Android设备上，点击“继续安装”，安装完即可查看到推理结果。
+
+    ![install](images/install.jpg)
+
+    使用风格迁移demo时，用户可先导入或拍摄自己的图片，然后选择一种预置风格，得到推理后的新图片，最后使用还原或保存新图片功能。
+
+    原始图片：
+
+    ![sult](images/style_transfer_demo.png)
+
+    风格迁移后的新图片：
+
+    ![sult](images/style_transfer_result.png)
+
+4. Android Studio 配置问题解决方案可参考下表：
+
+    |      | 报错                                                         | 解决方案                                                     |
+    | ---- | ------------------------------------------------------------ | ------------------------------------------------------------ |
+    | 1    | Gradle sync failed: NDK not configured.                      | 在local.properties中指定安装的ndk目录：ndk.dir={ndk的安装目录} |
+    | 2    | Requested NDK version did not match the version requested by ndk.dir | 可手动下载相应的[NDK版本](https://developer.android.com/ndk/downloads?hl=zh-cn)，并在Project Structure - Android NDK location设置中指定SDK的位置（可参考下图完成） |
+    | 3    | This version of Android Studio cannot open this project, please retry with Android Studio or newer. | 在工具栏-help-Checkout for Updates中更新版本                 |
+    | 4    | SSL peer shut down incorrectly                               | 重新构建                                                     |
+
+    ![project_structure](images/project_structure.png)
+
+## 示例程序详细说明  
+
+风格Android示例程序通过Android Camera 2 API实现摄像头获取图像帧，以及相应的图像处理等功能，在[Runtime](https://www.mindspore.cn/tutorial/lite/zh-CN/master/use/runtime.html)中完成模型推理的过程。
+
+### 示例程序结构
+
+```text
+
+├── app
+│   ├── build.gradle # 其他Android配置文件
+│   ├── download.gradle # APP构建时由gradle自动从HuaWei Server下载依赖的库文件及模型文件
+│   ├── proguard-rules.pro
+│   └── src
+│       ├── main
+│       │   ├── AndroidManifest.xml # Android配置文件
+│       │   ├── java # java层应用代码
+│       │   │   └── com
+│       │   │       └── mindspore
+│       │   │           └── posenetdemo # 图像处理及推理流程实现
+│       │   │               ├── CameraDataDealListener.java
+│       │   │               ├── ImageUtils.java
+│       │   │               ├── MainActivity.java
+│       │   │               ├── PoseNetFragment.java
+│       │   │               ├── Posenet.java #
+│       │   │               └── TestActivity.java
+│       │   └── res # 存放Android相关的资源文件
+│       └── test
+└── ...
+
+```
+
+### 下载及部署模型文件
+
+从MindSpore Model Hub中下载模型文件，本示例程序中使用的目标检测模型文件为`posenet_model.ms`，同样通过`download.gradle`脚本在APP构建时自动下载，并放置在`app/src/main/assets`工程目录下。
+
+> 若下载失败请手动下载模型文件，style_predict_quant.ms [下载链接](https://download.mindspore.cn/model_zoo/official/lite/style_lite/style_predict_quant.ms)，以及style_transfer_quant.ms [下载链接](https://download.mindspore.cn/model_zoo/official/lite/style_lite/style_transfer_quant.ms)。
+
+### 编写端侧推理代码
+
+在风格迁移demo中，使用Java API实现端测推理。相比于C++ API，Java API可以直接在Java Class中调用，无需实现JNI层的相关代码，具有更好的便捷性。
+
+风格迁移demo推理代码流程如下，完整代码请参见：`src/main/java/com/mindspore/styletransferdemo/StyleTransferModelExecutor.java`。
+
+1. 加载MindSpore Lite模型文件，构建上下文、会话以及用于推理的计算图。
+
+    - 加载模型：从文件系统中读取MindSpore Lite模型，并进行模型解析。
+
+        ```java
+        // Load the .ms model.
+        style_predict_model = new Model();
+        if (!style_predict_model.loadModel(mContext, "style_predict_quant.ms")) {
+            Log.e("MS_LITE", "Load style_predict_model failed");
+        }
+
+        style_transform_model = new Model();
+        if (!style_transform_model.loadModel(mContext, "style_transfer_quant.ms")) {
+            Log.e("MS_LITE", "Load style_transform_model failed");
+        }
+        ```
+
+    - 创建配置上下文：创建配置上下文`MSConfig`，保存会话所需的一些基本配置参数，用于指导图编译和图执行。
+
+        ```java
+        msConfig = new MSConfig();
+        if (!msConfig.init(DeviceType.DT_CPU, NUM_THREADS, CpuBindMode.MID_CPU)) {
+            Log.e("MS_LITE", "Init context failed");
+        }
+        ```
+
+    - 创建会话：创建`LiteSession`，并调用`init`方法将上一步得到`MSConfig`配置到会话中。
+
+        ```java
+        // Create the MindSpore lite session.
+        Predict_session = new LiteSession();
+        if (!Predict_session.init(msConfig)) {
+            Log.e("MS_LITE", "Create Predict_session failed");
+            msConfig.free();
+        }
+
+        Transform_session = new LiteSession();
+        if (!Transform_session.init(msConfig)) {
+            Log.e("MS_LITE", "Create Predict_session failed");
+            msConfig.free();
+        }
+        msConfig.free();
+        ```
+
+    - 加载模型文件并构建用于推理的计算图
+
+        ```java
+        // Complile graph.
+        if (!Predict_session.compileGraph(style_predict_model)) {
+            Log.e("MS_LITE", "Compile style_predict graph failed");
+            style_predict_model.freeBuffer();
+        }
+        if (!Transform_session.compileGraph(style_transform_model)) {
+            Log.e("MS_LITE", "Compile style_transform graph failed");
+            style_transform_model.freeBuffer();
+        }
+
+        // Note: when use model.freeBuffer(), the model can not be complile graph again.
+        style_predict_model.freeBuffer();
+        style_transform_model.freeBuffer();
+        ```
+
+2. 输入数据： Java目前支持`byte[]`或者`ByteBuffer`两种类型的数据，设置输入Tensor的数据。
+
+   - 在输入数据之前，将float数组转换为byte数组。
+
+       ```java
+
+        public static byte[] floatArrayToByteArray(float[] floats) {
+            ByteBuffer buffer = ByteBuffer.allocate(4 * floats.length);
+            buffer.order(ByteOrder.nativeOrder());
+            FloatBuffer floatBuffer = buffer.asFloatBuffer();
+            floatBuffer.put(floats);
+            return buffer.array();
+        }
+        ```
+
+   - 通过`ByteBuffer`输入数据。`contentImage`为用户提供的图片，`styleBitmap`为预置风格图片。
+
+       ```java
+        public ModelExecutionResult execute(Bitmap contentImage, Bitmap styleBitmap) {
+            Log.i(TAG, "running models");
+            fullExecutionTime = SystemClock.uptimeMillis();
+            preProcessTime = SystemClock.uptimeMillis();
+            ByteBuffer contentArray =
+                    ImageUtils.bitmapToByteBuffer(contentImage, CONTENT_IMAGE_SIZE, CONTENT_IMAGE_SIZE, 0, 255);
+            ByteBuffer input = ImageUtils.bitmapToByteBuffer(styleBitmap, STYLE_IMAGE_SIZE, STYLE_IMAGE_SIZE, 0, 255);
+       ```
+
+3. 对输入Tensor按照模型进行推理，获取输出Tensor，并进行后处理。
+
+   - 使用`runGraph`对预置图片进行模型推理，并获取结果`Predict_results`。
+
+        ```java
+        List<MSTensor> Predict_inputs = Predict_session.getInputs();
+        if (Predict_inputs.size() != 1) {
+            return null;
+        }
+        MSTensor Predict_inTensor = Predict_inputs.get(0);
+        Predict_inTensor.setData(input);
+
+        preProcessTime = SystemClock.uptimeMillis() - preProcessTime;
+        stylePredictTime = SystemClock.uptimeMillis();
+
+
+        if (!Predict_session.runGraph()) {
+            Log.e("MS_LITE", "Run Predict_graph failed");
+            return null;
+        }
+        stylePredictTime = SystemClock.uptimeMillis() - stylePredictTime;
+        Log.d(TAG, "Style Predict Time to run: " + stylePredictTime);
+
+        // Get output tensor values.
+        List<String> tensorNames = Predict_session.getOutputTensorNames();
+        Map<String, MSTensor> outputs = Predict_session.getOutputMapByTensor();
+        Set<Map.Entry<String, MSTensor>> entrys = outputs.entrySet();
+
+        float[] Predict_results = null;
+        for (String tensorName : tensorNames) {
+            MSTensor output = outputs.get(tensorName);
+            if (output == null) {
+                Log.e("MS_LITE", "Can not find Predict_session output " + tensorName);
+                return null;
+            }
+            int type = output.getDataType();
+            Predict_results = output.getFloatData();
+        }
+       ```
+
+   - 利用上一步获取的结果，再次对用户图片进行模型推理，得到风格转换的数据`transform_results`。
+
+        ```java
+            List<MSTensor> Transform_inputs = Transform_session.getInputs();
+            // transform model have 2 input tensor,  tensor0: 1*1*1*100,   tensor1；1*384*384*3
+            MSTensor Transform_inputs_inTensor0 = Transform_inputs.get(0);
+            Transform_inputs_inTensor0.setData(floatArrayToByteArray(Predict_results));
+
+            MSTensor Transform_inputs_inTensor1 = Transform_inputs.get(1);
+            Transform_inputs_inTensor1.setData(contentArray);
+
+
+            styleTransferTime = SystemClock.uptimeMillis();
+
+            if (!Transform_session.runGraph()) {
+                Log.e("MS_LITE", "Run Transform_graph failed");
+                return null;
+            }
+
+            styleTransferTime = SystemClock.uptimeMillis() - styleTransferTime;
+            Log.d(TAG, "Style apply Time to run: " + styleTransferTime);
+
+            postProcessTime = SystemClock.uptimeMillis();
+
+            // Get output tensor values.
+            List<String> Transform_tensorNames = Transform_session.getOutputTensorNames();
+            Map<String, MSTensor> Transform_outputs = Transform_session.getOutputMapByTensor();
+
+            float[] transform_results = null;
+            for (String tensorName : Transform_tensorNames) {
+                MSTensor output1 = Transform_outputs.get(tensorName);
+                if (output1 == null) {
+                    Log.e("MS_LITE", "Can not find Transform_session output " + tensorName);
+                    return null;
+                }
+                transform_results = output1.getFloatData();
+            }
+        ```
+
+   - 对输出节点的数据进行处理，得到推理后的最终结果。
+
+        ```java
+        float[][][][] outputImage = new float[1][][][];  // 1 384 384 3
+        for (int x = 0; x < 1; x++) {
+            float[][][] arrayThree = new float[CONTENT_IMAGE_SIZE][][];
+            for (int y = 0; y < CONTENT_IMAGE_SIZE; y++) {
+                float[][] arrayTwo = new float[CONTENT_IMAGE_SIZE][];
+                for (int z = 0; z < CONTENT_IMAGE_SIZE; z++) {
+                    float[] arrayOne = new float[3];
+                    for (int i = 0; i < 3; i++) {
+                        int n = i + z * 3 + y * CONTENT_IMAGE_SIZE * 3 + x * CONTENT_IMAGE_SIZE * CONTENT_IMAGE_SIZE * 3;
+                        arrayOne[i] = transform_results[n];
+                    }
+                    arrayTwo[z] = arrayOne;
+                }
+                arrayThree[y] = arrayTwo;
+            }
+            outputImage[x] = arrayThree;
+        }
+
+
+        Bitmap styledImage =
+                ImageUtils.convertArrayToBitmap(outputImage, CONTENT_IMAGE_SIZE, CONTENT_IMAGE_SIZE);
+        postProcessTime = SystemClock.uptimeMillis() - postProcessTime;
+
+        fullExecutionTime = SystemClock.uptimeMillis() - fullExecutionTime;
+        Log.d(TAG, "Time to run everything: $" + fullExecutionTime);
+
+        return new ModelExecutionResult(styledImage,
+                preProcessTime,
+                stylePredictTime,
+                styleTransferTime,
+                postProcessTime,
+                fullExecutionTime,
+                formatExecutionLog());
+        ```