Sadržaj:
2025 Autor: John Day | [email protected]. Zadnja izmjena: 2025-01-13 06:57
Google TensorFlow je softverska biblioteka otvorenog koda za numeričko računanje koja koristi grafikone protoka podataka. Google ga koristi na svojim različitim poljima Strojno učenje i Tehnologije dubokog učenja. TensorFlow je izvorno razvio Google Brain Team i objavljuje se na javnoj domeni poput GitHub -a.
Za više tutorijala posjetite naš blog. Nabavite Raspberry Pi od FactoryForward - odobrenog prodavača u Indiji.
Ovdje pročitajte ovaj vodič na našem blogu.
Korak 1: Mašinsko učenje
Strojno učenje i duboko učenje bit će pod umjetnom inteligencijom (AI). Mašinsko učenje će promatrati i analizirati dostupne podatke i vremenom poboljšavati njihove rezultate.
Primjer: Značajka videozapisa koje preporučuje YouTube. Prikazuje povezane videozapise koje ste prethodno gledali. Predviđanje je ograničeno samo na tekstualne rezultate. Ali duboko učenje može ići dublje od ovoga.
Korak 2: Duboko učenje
Dubinsko učenje je gotovo slično tome, ali donosi tačnije odluke samo prikupljanjem različitih informacija o objektu. Ima mnogo slojeva analize i u skladu s tim donosi odluku. Da bi ubrzao proces, koristi neuronsku mrežu i pruža nam tačnije rezultate koji su nam bili potrebni (znači bolje predviđanje od ML -a). Nešto poput načina na koji ljudski mozak razmišlja i donosi odluke.
Primjer: Otkrivanje objekta. Otkriva ono što je dostupno na slici. Nešto slično po čemu možete razlikovati Arduino i Raspberry Pi po izgledu, veličini i bojama.
To je široka tema i ima različite primjene.
Korak 3: Preduslovi
TensorFlow je najavio službenu podršku za Raspberry Pi, od verzije 1.9 podržavat će Raspberry Pi pomoću instalacije pip paketa. U ovom ćemo vodiču vidjeti kako ga instalirati na naš Raspberry Pi.
- Python 3.4 (preporučeno)
- Raspberry Pi
- Napajanje
- Raspbian 9 (rastezanje)
Korak 4: Ažurirajte svoj Raspberry Pi i njegove pakete
Korak 1: Ažurirajte svoj Raspberry Pi i njegove pakete.
sudo apt-get update
sudo apt-get nadogradnja
Korak 2: Pomoću ove naredbe provjerite imate li najnoviju verziju pythona.
python3 –verzija
Preporučuje se da imate najmanje Python 3.4.
Korak 3: Moramo instalirati biblioteku libatlas (ATLAS - softver za automatsko podešavanje linearne algebre). Budući da TensorFlow koristi numpy. Dakle, instalirajte ga pomoću sljedeće naredbe
sudo apt install libatlas-base-dev
Korak 4: Instalirajte TensorFlow pomoću naredbe Pip3 install.
pip3 instalirajte tensorflow
Sada je TensorFlow instaliran.
Korak 5: Predviđanje slike pomoću primjera Imagenet modela:
TensorFlow je objavio model predviđanja slika. Prvo morate preuzeti model, a zatim ga pokrenuti.
Korak 1: Pokrenite sljedeću naredbu za preuzimanje modela. Možda ćete morati imati instaliran git.
git clone
Korak 2: Idite na primjer imagenet.
cd modeli/vodiči/image/imagenet
Savjet za profesionalce: Na novom Raspbian Stretch -u možete ručno pronaći datoteku ‘klasify_image.py’, a zatim na njoj ‘Desni klik’. Odaberite "Kopiraj putanju (e)". Zatim ga zalijepite u terminal nakon 'cd' i pritisnite enter. Na ovaj način možete se kretati brže bez ikakvih grešaka (u slučaju pravopisne greške ili promjene imena datoteke u novim ažuriranjima).
Koristio sam metodu „Kopiraj putanju (e)“tako da će uključivati tačnu putanju na slici (/home/pi).
Korak 3: Pokrenite primjer pomoću ove naredbe. Trebat će oko 30 sekundi da se prikaže predviđeni rezultat.
python3 classic_image.py
Korak 6: Predviđanje prilagođene slike
Također možete preuzeti sliku s interneta ili upotrijebiti vlastitu sliku snimljenu kamerom za predviđanja. Za bolje rezultate koristite manje memorijskih slika.
Za korištenje prilagođenih slika upotrijebite sljedeći način. Imam datoteku slike na lokaciji '/home/pi/Downloads/TensorImageTest1.jpg'. Samo zamijenite ovo lokacijom i imenom datoteke. Za lakše snalaženje upotrijebite „Kopiraj putanju (puteve)“.
python3 classic_image.py --image_file =/home/pi/Preuzimanja/TensorImageTest1.jpg
Možete isprobati i druge primjere. Ali prije izvođenja morate instalirati potrebne pakete. U nadolazećim vodičima pokriti ćemo neke zanimljive teme TensorFlow -a.