
Spisu treści:
2025 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2025-01-23 15:03

Google TensorFlow to biblioteka oprogramowania typu Open Source do obliczeń numerycznych przy użyciu wykresów przepływu danych. Jest używany przez Google w różnych dziedzinach technologii uczenia maszynowego i głębokiego uczenia. TensorFlow został pierwotnie opracowany przez zespół Google Brain i jest opublikowany w domenie publicznej, takiej jak GitHub.
Więcej samouczków znajdziesz na naszym blogu. Uzyskaj Raspberry Pi od FactoryForward - zatwierdzonego sprzedawcy w Indiach.
Przeczytaj ten samouczek na naszym blogu tutaj.
Krok 1: Uczenie maszynowe
Uczenie maszynowe i głębokie uczenie zostaną objęte sztuczną inteligencją (AI). Uczenie maszynowe będzie obserwować i analizować dostępne dane i z czasem poprawiać ich wyniki.
Przykład: funkcja filmów polecanych przez YouTube. Pokazuje podobne filmy, które oglądałeś wcześniej. Prognoza jest ograniczona tylko do wyników tekstowych. Ale głębokie uczenie się może zajść głębiej.
Krok 2: Głębokie uczenie
Głębokie uczenie jest prawie podobne do tego, ale samodzielnie podejmuje trafniejsze decyzje, zbierając różne informacje o obiekcie. Ma wiele warstw analizy i na jej podstawie podejmuje decyzję. Aby przyspieszyć proces, wykorzystuje sieć neuronową i zapewnia nam dokładniejszy wynik, którego potrzebowaliśmy (oznacza lepsze przewidywanie niż ML). Coś w rodzaju tego, jak ludzki mózg myśli i podejmuje decyzje.
Przykład: Wykrywanie obiektów. Wykrywa, co jest dostępne na obrazie. Coś podobnego, co można odróżnić Arduino i Raspberry Pi po jego wyglądzie, rozmiarze i kolorach.
Jest to obszerny temat i ma różne zastosowania.
Krok 3: Wymagania wstępne
TensorFlow ogłosił oficjalne wsparcie dla Raspberry Pi, od wersji 1.9 będzie obsługiwać Raspberry Pi przy użyciu instalacji pakietu pip. W tym samouczku zobaczymy, jak zainstalować go na naszym Raspberry Pi.
- Python 3.4 (zalecane)
- Malina Pi
- Zasilacz
- Raspbian 9 (rozciągliwy)
Krok 4: Zaktualizuj swoje Raspberry Pi i jego pakiety
Krok 1: Zaktualizuj swoje Raspberry Pi i jego pakiety.
aktualizacja sudo apt-get
sudo apt-get upgrade
Krok 2: Sprawdź, czy masz najnowszą wersję Pythona, używając tego polecenia.
python3 –-wersja
Zalecane jest posiadanie przynajmniej Pythona 3.4.
Krok 3: Musimy zainstalować bibliotekę libatlas (ATLAS - Automatically Tuned Linear Algebra Software). Ponieważ TensorFlow używa numpy. Więc zainstaluj go za pomocą następującego polecenia
sudo apt zainstaluj libatlas-base-dev
Krok 4: Zainstaluj TensorFlow za pomocą polecenia instalacji Pip3.
pip3 zainstaluj tensorflow
Teraz TensorFlow jest zainstalowany.
Krok 5: Przewidywanie obrazu przy użyciu modelu Imagenet Przykład:

TensorFlow opublikował model do przewidywania obrazów. Musisz najpierw pobrać model, a następnie go uruchomić.
Krok 1: Uruchom następujące polecenie, aby pobrać modele. Być może będziesz musiał zainstalować git.
klon git
Krok 2: Przejdź do przykładu imagenet.
modele cd/samouczki/image/imagenet
Wskazówka dla profesjonalistów: W nowym Raspbian Stretch możesz ręcznie znaleźć plik „classify_image.py”, a następnie „Kliknij prawym przyciskiem myszy”. Wybierz „Kopiuj ścieżki”. Następnie wklej go w terminalu po „cd” i naciśnij enter. W ten sposób możesz nawigować szybciej bez żadnych błędów (w przypadku błędów ortograficznych lub zmiany nazwy pliku w nowych aktualizacjach).
Użyłem metody „Copy Path(s)”, aby zawierała dokładną ścieżkę na obrazie (/home/pi).
Krok 3: Uruchom przykład za pomocą tego polecenia. Wyświetlenie przewidywanego wyniku zajmie około 30 sekund.
python3 classify_image.py
Krok 6: Niestandardowe przewidywanie obrazu

Możesz także pobrać obraz z Internetu lub użyć własnego obrazu zrobionego aparatem do prognozowania. Aby uzyskać lepsze wyniki, używaj mniej obrazów pamięci.
Aby użyć niestandardowych obrazów, użyj następującego sposobu. Mam plik obrazu w lokalizacji „/home/pi/Downloads/TensorImageTest1.jpg”. Po prostu zastąp to lokalizacją i nazwą pliku. Użyj opcji „Kopiuj ścieżki”, aby ułatwić nawigację.
python3 classify_image.py --image_file=/home/pi/Downloads/TensorImageTest1.jpg
Możesz też wypróbować inne przykłady. Ale musisz zainstalować niezbędne pakiety przed wykonaniem. W nadchodzących samouczkach omówimy kilka interesujących tematów związanych z TensorFlow.
Zalecana:
Sztuczna inteligencja i rozpoznawanie obrazu za pomocą HuskyLens: 6 kroków (ze zdjęciami)

Sztuczna inteligencja i rozpoznawanie obrazów za pomocą HuskyLens: Hej, co słychać, chłopaki! Akarsh tutaj z CETech. W tym projekcie przyjrzymy się HuskyLens firmy DFRobot. Jest to moduł kamery zasilany sztuczną inteligencją, który jest w stanie wykonać kilka operacji sztucznej inteligencji, takich jak rozpoznawanie twarzy
Rozpoznawanie mowy za pomocą Arduino (Bluetooth + LCD + Android): 6 kroków

Rozpoznawanie mowy z Arduino (Bluetooth + LCD + Android): W tym projekcie zamierzamy wykonać rozpoznawanie mowy za pomocą Arduino, modułu Bluetooth (HC-05) i LCD. zbudujmy własne urządzenie do rozpoznawania mowy
Rozpoznawanie obrazu z płytami K210 i Arduino IDE/Micropython: 6 kroków (ze zdjęciami)

Rozpoznawanie obrazu z płytami K210 i Arduino IDE/Micropython: Napisałem już jeden artykuł na temat uruchamiania demonstracji OpenMV na Sipeed Maix Bit, a także zrobiłem wideo demonstracyjne wykrywania obiektów za pomocą tej płyty. Jedno z wielu pytań, które ludzie zadawali, brzmi: jak rozpoznać obiekt, którego sieć neuronowa nie jest t
Rozpoznawanie urządzeń w czasie rzeczywistym za pomocą śladów EM: 6 kroków

Rozpoznawanie urządzeń w czasie rzeczywistym przy użyciu śladów EM: To urządzenie jest przeznaczone do klasyfikowania różnych urządzeń elektronicznych zgodnie z ich sygnałami EM. Dla różnych urządzeń mają emitowane przez nie różne sygnały EM. Opracowaliśmy rozwiązanie IoT do identyfikacji urządzeń elektronicznych za pomocą Particle
Przetwarzanie obrazu za pomocą Raspberry Pi: Instalacja OpenCV i separacja kolorów obrazu: 4 kroki

Przetwarzanie obrazu za pomocą Raspberry Pi: Instalowanie OpenCV i separacji kolorów obrazu: Ten post jest pierwszym z kilku samouczków dotyczących przetwarzania obrazu, które mają zostać wykonane. Przyglądamy się bliżej pikselom, które składają się na obraz, dowiadujemy się, jak zainstalować OpenCV na Raspberry Pi, a także piszemy skrypty testowe do przechwytywania obrazu, a także c