Turinys:
2025 Autorius: John Day | [email protected]. Paskutinį kartą keistas: 2025-01-13 06:57
„Google TensorFlow“yra atvirojo kodo programinės įrangos biblioteka, skirta skaitmeniniams skaičiavimams, naudojant duomenų srauto diagramas. „Google“ją naudoja įvairiose mašinų mokymosi ir giliųjų mokymosi technologijų srityse. „TensorFlow“iš pradžių sukūrė „Google Brain Team“ir jis skelbiamas viešai, pvz., „GitHub“.
Norėdami gauti daugiau pamokų, apsilankykite mūsų tinklaraštyje. Gaukite „Raspberry Pi“iš „FactoryForward“- patvirtinto Indijos perpardavėjo.
Perskaitykite šią pamoką mūsų tinklaraštyje čia.
1 žingsnis: mašinų mokymasis
Mašinų mokymasis ir gilus mokymasis bus įtraukti į dirbtinį intelektą (AI). Mašinų mokymasis stebės ir analizuos turimus duomenis ir laikui bėgant pagerins jų rezultatus.
Pavyzdys: „YouTube“rekomenduojamų vaizdo įrašų funkcija. Jame rodomi susiję vaizdo įrašai, kuriuos peržiūrėjote anksčiau. Prognozė apsiriboja tik teksto rezultatais. Tačiau gilus mokymasis gali būti gilesnis nei šis.
2 žingsnis: gilus mokymasis
Gilus mokymasis yra beveik panašus į tą, tačiau jis priima tikslesnį sprendimą pats, rinkdamas įvairią informaciją apie objektą. Ji turi daug analizės sluoksnių ir pagal tai priima sprendimą. Norėdami pagreitinti procesą, jis naudoja neuroninį tinklą ir pateikia mums tikslesnį rezultatą, kurio mums reikėjo (reiškia geresnę prognozę nei ML). Kažkas panašaus į tai, kaip žmogaus smegenys mąsto ir priima sprendimus.
Pavyzdys: objekto aptikimas. Jis nustato, kas yra vaizde. Kažkas panašaus, kad galite atskirti „Arduino“ir „Raspberry Pi“pagal išvaizdą, dydį ir spalvas.
Tai plati tema ir turi įvairių pritaikymų.
3 žingsnis: išankstiniai reikalavimai
„TensorFlow“paskelbė oficialų „Raspberry Pi“palaikymą, nuo 1.9 versijos ji palaikys „Raspberry Pi“, įdiegdama pip paketą. Šiame vadove pamatysime, kaip jį įdiegti „Raspberry Pi“.
- „Python 3.4“(rekomenduojama)
- Raspberry Pi
- Maitinimo šaltinis
- Raspbian 9 (ruožas)
4 žingsnis: atnaujinkite „Raspberry Pi“ir jo paketus
1 veiksmas: atnaujinkite „Raspberry Pi“ir jo paketus.
sudo apt-get atnaujinimas
sudo apt-get atnaujinimas
2 veiksmas: naudodami šią komandą patikrinkite, ar turite naujausią „python“versiją.
python3-versija
Rekomenduojama turėti bent „Python 3.4“.
3 veiksmas: turime įdiegti „libatlas“biblioteką (ATLAS - automatiškai suderinta linijinės algebros programinė įranga). Kadangi „TensorFlow“naudoja numpy. Taigi, įdiekite ją naudodami šią komandą
sudo apt install libatlas-base-dev
4 veiksmas: įdiekite „TensorFlow“naudodami komandą „Pip3 install“.
pip3 įdiegti tensorflow
Dabar „TensorFlow“įdiegta.
5 veiksmas: vaizdo prognozavimas naudojant „Imagenet“modelio pavyzdį:
„TensorFlow“paskelbė vaizdų prognozavimo modelį. Pirmiausia turite atsisiųsti modelį, tada jį paleisti.
1 veiksmas: Norėdami atsisiųsti modelius, paleiskite šią komandą. Jums gali tekti įdiegti „git“.
git klonas
2 veiksmas: eikite į „imagenet“pavyzdį.
cd modeliai/vadovėliai/image/imagenet
Patarimas „Pro“: Naujajame „Raspbian Stretch“failą „classify_image.py“galite rasti rankiniu būdu, tada spustelėkite jį dešiniuoju pelės mygtuku. Pasirinkite „Kopijuoti kelią“. Tada įklijuokite jį į terminalą po „cd“ir paspauskite „Enter“. Tokiu būdu galite greičiau naršyti be jokių klaidų (jei rašybos klaida arba pakeistas failo pavadinimas naujose naujinimuose).
Naudojau „Kopijavimo kelio (-ų)“metodą, todėl į jį bus įtrauktas tikslus vaizdo kelias (/home/pi).
3 veiksmas: paleiskite pavyzdį naudodami šią komandą. Numatyto rezultato parodymas užtruks apie 30 sekundžių.
python3 classify_image.py
6 veiksmas: pasirinktinis vaizdo prognozavimas
Taip pat galite atsisiųsti vaizdą iš interneto arba naudoti savo fotoaparate nufotografuotą vaizdą. Norėdami gauti geresnių rezultatų, naudokite mažiau atminties vaizdų.
Norėdami naudoti pasirinktinius vaizdus, naudokite šį būdą. Vaizdo failą turiu „/home/pi/Downloads/TensorImageTest1.jpg“vietoje. Tiesiog pakeiskite tai savo failo vieta ir pavadinimu. Norėdami lengviau naršyti, naudokite „Kopijuoti kelią“.
python3 classify_image.py --image_file =/home/pi/Atsisiuntimai/TensorImageTest1.jpg
Taip pat galite išbandyti kitus pavyzdžius. Tačiau prieš vykdydami turite įdiegti reikiamus paketus. Būsimose pamokose aptarsime keletą įdomių „TensorFlow“temų.