Машинное обучение — тема у всех на устах. Легко понять почему. Это будущее манипулирования данными, и оно уже используется практически во всех современных условиях бизнеса. Но можно ли его сочетать с Raspberry Pi? Является ли Pi задачей поддержания работающей нейронной сети? С Google TensorFlow это возможно!
Вот как установить TensorFlow на Raspberry Pi, с некоторыми примерами использования.
Что такое TensorFlow?
Прежде чем углубляться в примеры использования TensorFlow, стоит узнать, что это такое.
Короче говоря, TensorFlow — это обучаемая нейронная сеть Google, которая может выполнять множество различных задач. Благодаря активному обучению по набору пользовательских данных, нейронные сети TensorFlow делают точные прогнозы при получении новых данных.
Короче говоря, думают нейронные сети TensorFlow .
Проверьте наш список примеров Tensorflow для получения дополнительной информации.
Как установить TensorFlow
Хотя понимание предмета машинного обучения требует серьезного изучения, базовое использование TensorFlow легко понять. Наше учебное пособие по распознаванию изображений с TensorFlow охватывает установку библиотеки на ваш Pi. Он также включает в себя его тестирование и запуск базовой программы классификации изображений Inception.
В этом случае TensorFlow предоставляет уже обученную нейронную сеть. Все, что пользователь должен сделать, это ввести правильный тип данных, и TensorFlow будет угадывать, что содержит изображение. Даже базовая реализация TensorFlow способна классифицировать изображения на 1000 классов. Это удивительно правильно!
Но что еще можно сделать с TensorFlow на Raspberry Pi?
Портативное распознавание изображений
Мы рассмотрели, как сделать умную веб-камеру для самостоятельной раньше, но этот говорящий мобильный классификатор изображений выводит его на новый уровень.
В этом подробном посте описывается настройка оборудования и пользовательское программное обеспечение, интегрированное с классификатором изображений Inception. Пример кода показывает, насколько просто интегрировать TensorFlow с проектом (при условии, что вы знакомы с основами языка программирования Python ). Статья подробно описывает процесс распознавания изображений. В целом, это отличный ресурс для всех, кто интересуется этой областью.
Один отличный элемент этой настройки может быть изначально неясен:
«Дополнительный бонус, который многие отмечали, заключается в том, что после установки доступ в интернет не требуется».
Предыдущее распознавание изображения всегда зависело от огромного времени обработки или подключения к Интернету. Pi не всегда может передавать информацию в облако и имеет ограниченную вычислительную мощность. Это решение, автономный автономный распознаватель объектов, который вы можете сделать дома. Он даже скажет вам, на что он смотрит. Разве будущее не изумительно?
TensorFlow Magic Mirror
Самодельные умные (или «волшебные») зеркала — это самая крутая вещь, которую вы можете создать Требуя только пи и старый экран ноутбука вместе с основными материалами для дома, это отличный проект для начинающих. Alasdair Allan решила не соглашаться на среднее умное зеркало и создала волшебное зеркало TensorFlow с распознаванием голоса.
Неудовлетворенный стоимостью распознавания речи через Интернет, Alasdair выбрал TensorFlow в качестве автономной альтернативы. Интеграция предварительно обученной модели распознавания голоса TensorFlow в уже используемый код набора AIY добавляет в проект пользовательские слова пробуждения.
Google собрал набор данных с более чем 65 000 краудсорсинговых слов. Этот набор данных с открытым исходным кодом обучил нейронную сеть понимать некоторые слова.
В этом случае он добавил несколько возможных пробужденных слов, но все еще сталкивается с известной проблемой машинного обучения: для обучения нейронной сети требуется много данных.
Если вы не хотите создавать уникальный набор данных с десятками тысяч записей, вы ограничены тем, что находится в свободном доступе. Этот проект показывает ограничения TensorFlow на Pi в его текущем состоянии. Он полностью функционален, но расширяет вычислительные возможности Pi. Как и во всех новых технологиях, эта ранняя реализация дает представление о будущем интеллектуальных домашних устройств.
TensorFlow Автономный RC Car
Учитывая историю Google с самодвижущимися автомобилями. , неудивительно, что TensorFlow хорошо подходит для автономного вождения.
DeepPiCar является отличным примером такой нейронной сети в действии. Наряду со стандартным пультом дистанционного управления этот робот Raspberry Pi имеет нечто совершенно умное. Обученный на наборе данных, предоставленном на странице проекта GitHub, сеть учится оставаться на заданном пути.
Этот проект не для начинающих. Необходимое оборудование можно найти практически в любом дешевом комплекте роботов. Реализация программного обеспечения требует более глубоких знаний. Вы должны хорошо разбираться в машинном обучении, прежде чем приступать к нему.
Автосортировщик огурца
Сортировщик огурцов Макото Койке — одно из самых известных применений TensorFlow на Пи — признак грядущих событий.
Сортировка свежих продуктов для разных рынков — это огромные расходы для мелких поставщиков. Сортировка огурцов по размеру и качеству является задачей, которую до недавнего времени мог выполнять только человек-оператор. Машинная сортировка была очень труднодостижимой и дорогостоящей. TensorFlow решает эту проблему, классифицируя огурцы в режиме реального времени с помощью камеры.
Используя более 7000 изображений огурцов, Макото обучил нейронную сеть различать разные типы. Во время работы веб-камеры захватывают изображения с трех сторон. Pi классифицирует изображения, прежде чем отправлять их на сервер Linux для дальнейшей классификации. В результате запускается конвейерная лента и сервосистема, которая сортирует огурцы в ящики.
Начало чего-то умного
Мы видели, что Raspberry Pi используется для всего , так что неудивительно, что TensorFlow прибыл на него. Pi борется за то, чтобы не отставать от требований машинного обучения, но он отлично подходит для изучения основ