Hirdetés
A gépi tanulás a mindenki ajkainak témája. Könnyű belátni, hogy miért. Ez az adatkezelés jövője, és ezt szinte minden modern üzleti környezetben használják. De kombinálható-e egy Raspberry Pi-val? Fel tudja-e tartani a Pi működő idegi hálózat fenntartását? A Google TensorFlow segítségével meg tudja!
Íme a TensorFlow telepítése egy Raspberry Pi-re, néhány felhasználási példával.
Mi a TensorFlow?
Mielőtt belemerülne a TensorFlow használatának példáira, érdemes tudni, hogy mi ez valójában.
Röviden: a TensorFlow a Google oktatható ideghálózata, amely számos különféle feladatot képes elvégezni. A TensorFlow ideghálózatok felhasználói által kidolgozott adatkészletből történő aktív tanulással pontos előrejelzéseket készítenek, amikor új adatokat kapnak.
Röviden: a TensorFlow idegi hálózatok gondol.
Nézze meg a listánkat Tensorflow példák Mi a Google TensorFlow? Nyílt forráskódú példák és oktatóanyagokTensorFlow, gépi tanulás és neurális hálózatok. Itt rövid áttekintés arról, hogy mi ez, miért hasznos, és hogyan lehet megtanulni. Olvass tovább további információért.
A TensorFlow telepítése
Noha a gépi tanulás tárgyának megértése komoly tanulmányt igényel, a TensorFlow alapvető használatát könnyű követni. a Képfelismerés a TensorFlow bemutatóval Kezdje el a képfelismerést a TensorFlow és a Raspberry Pi használatávalSzeretne foglalkozni a képfelismeréssel? A Tensorflow és a Raspberry Pi köszönhetően azonnal elindulhat. Olvass tovább kiterjed a könyvtár telepítésére a Pi-re. Ez magában foglalja annak tesztelését és az alapvető Inception képminősítő program futtatását is.
Ebben az esetben a TensorFlow egy már kiképzett idegi hálózatot biztosít. A felhasználónak csak a helyes adattípust kell megadnia, és a TensorFlow kitalálja, hogy a kép mit tartalmaz. Még a TensorFlow alapvető megvalósítása képes a képeket 1000 osztályba sorolni. Meglepő összeget kap helyes!
De mit lehet még tenni a TensorFlow-val a Raspberry Pi-n?
Lefedtük hogyan lehet intelligens webkamerát készíteni DIY Pan és Tilt hálózati biztonsági kamera a Raspberry Pi segítségévelMegtanulhatja, hogyan lehet távolról nézhető panoráma és dönthető biztonsági kamerát készíteni egy Raspberry Pi segítségével. A projektet reggel be lehet fejezni, a legegyszerűbb alkatrészekkel. Olvass tovább korábban, de ez a beszélő mobil kép osztályozó új szintre hozza.
Ez a részletes üzenet ismerteti a hardver telepítését és az egyéni szoftvert, amely az Inception kép osztályozóval van integrálva. A példakód megmutatja, hogy mennyire könnyű a TensorFlow-ot egy projektbe integrálni (feltéve, hogy Ön kényelmesebb a a Python programozási nyelv alapjai 5 tanfolyam, amely elvisz a Python Beginner-től a Pro-igEz az öt tanfolyam mindent megtanít a programozásra a Pythonban, amely jelenleg az egyik legforróbb nyelv. Olvass tovább ). A cikk nagyon részleteket mutat be a képfelismerés folyamatáról. Általában kiváló forrás mindenki számára, aki érdeklődik a területen.
A beállítás egyik kiváló eleme valószínűleg kezdetben nem egyértelmű:
"Sok kiegészítő rámutatott, hogy a telepítés után nincs szükség internet-hozzáférésre."
A korábbi képfelismerés mindig egy hatalmas feldolgozási időre vagy internetkapcsolatra támaszkodott. A Pi nem mindig adhatja át az információkat a felhőnek, és korlátozott feldolgozási teljesítménygel rendelkezik. Ez a megoldás, egy önálló offline tárgyfelismerő, amelyet otthon is elkészíthet. Még azt is elmondja, hogy mit néz. Hát nem csodálatos a jövő?
Házi készítésű intelligens (vagy „mágikus”) tükrök a legmenőbb dolgot, amit építeni tudsz Hogyan lehet egy régi laptop képernyőjét varázslatos tükörké konvertálniAz intelligens tükrök egyedi eszközök, amelyek segítségével varázslatot injektálhat otthonába. Megmutatjuk, hogyan lehet egy málna Pi-vel készülni. Olvass tovább . Csak egy Pi és egy régi laptop képernyőjének igénylése az alapvető barkácskiegészítőkkel együtt ez egy nagyszerű kezdő projekt. Alasdair Allan úgy döntött, hogy nem felel meg az átlagos intelligens tükörnek, és felépítette a TensorFlow mágikus tükör hangfelismeréssel.
Mivel elégedetlen volt a webes beszédfelismerés költségeivel, Alasdair úgy döntött, hogy a TensorFlow-ot offline alternatívaként választja. A TensorFlow előre képzett hangfelismerési modelljének integrálása a már használtba AIY készlet A kód hozzáad egyéni figyelmeztető szavakat a projekthez.
A Google összeállított egy adatkészletet, amely több mint 65 000 közforrásból származó szót tartalmaz. Ez a nyílt forrású adatkészlet kiképezte a neurális hálózatot néhány szó megértésére.
Ebben az esetben számos lehetséges figyelmeztető szót adott hozzá, ám ez mégis egy ismerős gépi tanulási problémával szembesül: sok adatot igényel egy neurális hálózat kiképzése.
Hacsak nem hajlandó létrehozni egy egyedi adatkészletet, amely több tízezer bejegyzésből áll, akkor korlátozódhat arra, ami szabadon elérhető. Ez a projekt megmutatja a TensorFlow korlátozásait a Pi jelenlegi állapotában. Teljesen működőképes, de kitolja a Pi számítási képességeit. Mint minden új technológia esetében, ez a korai megvalósítás bepillantást jelent az intelligens otthoni eszközök jövőjébe.
Tekintettel a Google-ra története önjáró autókkal Hogyan működnek az önálló vezetésű autók: Az anyák és csavarok a Google Autonóm Autó Program mögöttKépesek oda-vissza ingázni munka közben alvás közben, étkezés közben vagy felzárkózva kedvencük számára A blogok egy olyan koncepció, amely ugyanolyan vonzó és látszólag távoli, és valójában túl futurisztikus történik. Olvass tovább , nem meglepő, hogy a TensorFlow jól illeszkedik az autonóm vezetéshez.
Az DeepPiCar kiváló példa erre az idegrendszer működésére. A szokásos távirányító mellett ez a Raspberry Pi robot valami teljesen okosabb funkciót tartalmaz. A GitHub projekt oldalán biztosított adatkészletben képzett hálózat megtanulja, hogy egy előre meghatározott pályán maradjon.
Ez a projekt nem kezdőknek szól. A szükséges hardver szinte bármilyen olcsó robotkészletben megtalálható. A szoftver megvalósítása még mélyebb ismereteket igényel. Mielőtt elkezdené, nagyon jól meg kell ismernie a gépi tanulást.
A TensorFlow egyik legismertebb telepítése a Pi-en, Makoto Koike uborkaválogatója a jövőbeli dolgok jele.
A friss termékek válogatása a különféle piacokon óriási költségeket jelent a kisebb szolgáltatók számára. Az uborka osztályozása méret és minőség szerint olyan feladat, amelyet a közelmúltig csak egy ember végezhet. A gépgépes válogatást nagyon nehéz megvalósítani, és költséges. A TensorFlow úgy oldja meg ezt a problémát, hogy az uborkát kamerán keresztül valós időben kategorizálja.
Több mint 7000 uborkakép felhasználásával Makoto egy idegi hálózatot képzett a különféle típusok megkülönböztetésére. Működés közben a webkamerák három szögből rögzítik a képeket. A Pi osztályozza a képeket, mielőtt továbbadná őket egy Linux szerverhez további osztályozás céljából. Az eredmény elindít egy szállítószalagot és szervo rendszert, amely az uborkákat dobozokba rendezi.
Valami okos kezdete
Láttuk A Raspberry Pi-t mindent felhasználják 26 Félelmetes felhasználás egy málna-pi-hozMelyik Raspberry Pi projekttel kell kezdenie? Itt van a legjobb málna-pi felhasználások és projektek körüli körünk! Olvass tovább , tehát nem meglepő, hogy a TensorFlow megérkezett rá. A Pi küzdenek ahhoz, hogy lépést tartson a gépi tanulás követelményeivel, de az nagyszerű az alapok megtanulásához Mi a gépi tanulás? A Google ingyenes tanfolyam megszakítja az Ön számáraA Google ingyenes online tanfolyamot dolgozott ki, hogy megtanítsa a gépi tanulás alapjait. Olvass tovább .
Ian Buckley egy szabadúszó újságíró, zenész, előadóművész és videó producer, Berlinben, Németországban. Amikor még nem ír vagy színpadon, akkor botrányozza a barkácsolás elektronikáját vagy kódját, abban a reményben, hogy őrült tudós lesz.