电子说
TensorFlow是Google的神经网络库。鉴于机器学习是当前最热门的事情,因此Google成为这项新技术的领导者就不足为奇了。
在本文中,您将学习如何在Raspberry Pi上安装TensorFlow,以及在预先训练的神经网络上运行简单的图像分类。
入门
要开始图像识别,您将需要Raspberry Pi(任何模型都可以使用)和SD带有Raspbian Stretch(9.0+)操作系统的存储卡(如果您不熟悉Raspberry Pi,请使用我们的安装指南)。
启动Pi并打开终端窗口。确保您的Pi是最新的,并检查您的Python版本。
sudo apt-get update
python --version
python3 --version
您可以在本教程中同时使用Python 2.7或Python 3.4+。此示例适用于Python3。对于Python 2.7,在整个过程中,将 Python3 替换为 Python ,并将 pip3 替换为 pip 教程。
Pip是Python的软件包管理器,通常在Linux发行版中作为标准安装。
如果没有,请按照此处的Linux安装说明进行操作。
安装TensorFlow
安装TensorFlow过去是一个令人沮丧的过程,但是最近的更新使其变得异常简单。虽然您可以在没有任何先验知识的情况下阅读本教程,但是在尝试之前,可能值得了解机器学习的基础。
在安装TensorFlow之前,请安装 Atlas 库。
sudo apt install libatlas-base-dev
完成后,通过pip3安装TensorFlow
pip3 install --user tensorflow
这将为登录用户安装TensorFlow。如果您更喜欢使用虚拟环境,请在此处修改代码以反映这一点。
测试TensorFlow
一旦安装,您就可以测试它是否与TensorFlow等效。 你好,世界!
在命令行中,使用 nano 或 vim 创建新的Python脚本(如果不是, (不确定使用哪一种,它们都有优势),并给它起一个易于记忆的名称。
sudo nano tftest.py
输入以下由Google提供的用于测试TensorFlow的代码:
import tensorflow as tf
hello = tf.constant(‘Hello, TensorFlow!’)
sess = tf.Session()
print(sess.run(hello))
如果您使用的是nano,请在出现提示时按 Ctrl + X 退出并通过键入 Y 保存文件。
从终端运行代码:
python3 tftest.py
您应该看到打印的“ Hello,TensorFlow”。
如果运行Python 3.5,您将收到几个运行时警告。 TensorFlow官方教程承认发生了这种情况,建议您忽略它。
它有效!现在,使用TensorFlow做一些有趣的事情。
安装图像分类器
在终端中,在您的主目录中为该项目创建一个目录,并导航至该目录。
mkdir tf1
cd tf1
TensorFlow有一个git存储库,其中包含示例模型供您试用。将存储库克隆到新目录中:
git clone https://github.com/tensorflow/models.git
您要使用图像分类示例,可以在 models/tutorials/image/imagenet 中找到该示例。强》。立即导航到该文件夹:
cd models/tutorials/image/imagenet
标准图像分类脚本与提供的熊猫图像一起运行:
要使用提供的熊猫图像运行标准图像分类器,请输入:
python3 classify_image.py
这会将熊猫图像馈送到神经网络,该神经网络返回猜测值关于图像的确定性值。
如输出图像所示,神经网络正确猜出了几乎90%的确定性。它还认为该图像可能包含一个南美番荔枝,但对这个答案并不十分自信。
使用自定义图像
熊猫图像证明TensorFlow可以工作,但这就是考虑到这是该项目提供的示例,也许不足为奇。为了进行更好的测试,您可以将自己的图像提供给神经网络进行分类。
在这种情况下,您将看到TensorFlow神经网络是否可以识别George。
遇到乔治。乔治是恐龙。要将此图像(此处以裁剪的形式提供)输入神经网络,请在运行脚本时添加参数。
python3 classify_image.py --image_file=/home/pi/george.jpg
image_file = 脚本名称允许按路径添加任何图像。让我们看看这个神经网络是怎么做的。
不错!虽然George不是三角恐龙,但与其他选项相比,神经网络将图像分类为具有高度确定性的恐龙。
TensorFlow和Raspberry Pi,准备就绪
TensorFlow的这种基本实现已经具有潜力。该对象识别发生在Pi上,不需要互联网连接即可运行。这意味着,通过添加Raspberry Pi摄像头模块和适用于Raspberry Pi的电池单元,整个项目可以变得可移植。
大多数教程只涉及主题的表面,但从未如此。比这种情况更真实。机器学习是一门令人难以置信的密集学科。
责任编辑:wv
全部0条评论
快来发表一下你的评论吧 !