TensorFlow是Google的神經(jīng)網(wǎng)絡(luò)庫。鑒于機(jī)器學(xué)習(xí)是當(dāng)前最熱門的事情，因此Google成為這項(xiàng)新技術(shù)的領(lǐng)導(dǎo)者就不足為奇了。

在本文中，您將學(xué)習(xí)如何在Raspberry Pi上安裝TensorFlow，以及在預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)上運(yùn)行簡(jiǎn)單的圖像分類。

入門

要開始圖像識(shí)別，您將需要Raspberry Pi（任何模型都可以使用）和SD帶有Raspbian Stretch（9.0+）操作系統(tǒng)的存儲(chǔ)卡（如果您不熟悉Raspberry Pi，請(qǐng)使用我們的安裝指南）。

啟動(dòng)Pi并打開終端窗口。確保您的Pi是最新的，并檢查您的Python版本。

sudo apt-get update

python --version

python3 --version

您可以在本教程中同時(shí)使用Python 2.7或Python 3.4+。此示例適用于Python3。對(duì)于Python 2.7，在整個(gè)過程中，將 Python3 替換為 Python ，并將 pip3 替換為 pip 教程。

Pip是Python的軟件包管理器，通常在Linux發(fā)行版中作為標(biāo)準(zhǔn)安裝。

如果沒有，請(qǐng)按照此處的Linux安裝說明進(jìn)行操作。

安裝TensorFlow

安裝TensorFlow過去是一個(gè)令人沮喪的過程，但是最近的更新使其變得異常簡(jiǎn)單。雖然您可以在沒有任何先驗(yàn)知識(shí)的情況下閱讀本教程，但是在嘗試之前，可能值得了解機(jī)器學(xué)習(xí)的基礎(chǔ)。

在安裝TensorFlow之前，請(qǐng)安裝 Atlas 庫。

sudo apt install libatlas-base-dev

完成后，通過pip3安裝TensorFlow

pip3 install --user tensorflow

這將為登錄用戶安裝TensorFlow。如果您更喜歡使用虛擬環(huán)境，請(qǐng)?jiān)诖颂幮薷拇a以反映這一點(diǎn)。

測(cè)試TensorFlow

一旦安裝，您就可以測(cè)試它是否與TensorFlow等效。 你好，世界！

在命令行中，使用 nano 或 vim 創(chuàng)建新的Python腳本（如果不是， （不確定使用哪一種，它們都有優(yōu)勢(shì)），并給它起一個(gè)易于記憶的名稱。

sudo nano tftest.py

輸入以下由Google提供的用于測(cè)試TensorFlow的代碼：

import tensorflow as tf

hello = tf.constant（‘Hello， TensorFlow！’）

sess = tf.Session（）

print（sess.run（hello））

如果您使用的是nano，請(qǐng)?jiān)诔霈F(xiàn)提示時(shí)按 Ctrl + X 退出并通過鍵入 Y 保存文件。

從終端運(yùn)行代碼：

python3 tftest.py

您應(yīng)該看到打印的“ Hello，TensorFlow”。

如果運(yùn)行Python 3.5，您將收到幾個(gè)運(yùn)行時(shí)警告。 TensorFlow官方教程承認(rèn)發(fā)生了這種情況，建議您忽略它。

它有效！現(xiàn)在，使用TensorFlow做一些有趣的事情。

安裝圖像分類器

在終端中，在您的主目錄中為該項(xiàng)目創(chuàng)建一個(gè)目錄，并導(dǎo)航至該目錄。

mkdir tf1

cd tf1

TensorFlow有一個(gè)git存儲(chǔ)庫，其中包含示例模型供您試用。將存儲(chǔ)庫克隆到新目錄中：

git clone https://github.com/tensorflow/models.git

您要使用圖像分類示例，可以在 models/tutorials/image/imagenet 中找到該示例。強(qiáng)》。立即導(dǎo)航到該文件夾：

cd models/tutorials/image/imagenet

標(biāo)準(zhǔn)圖像分類腳本與提供的熊貓圖像一起運(yùn)行：

要使用提供的熊貓圖像運(yùn)行標(biāo)準(zhǔn)圖像分類器，請(qǐng)輸入：

python3 classify_image.py

這會(huì)將熊貓圖像饋送到神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)返回猜測(cè)值關(guān)于圖像的確定性值。

如輸出圖像所示，神經(jīng)網(wǎng)絡(luò)正確猜出了幾乎90％的確定性。它還認(rèn)為該圖像可能包含一個(gè)南美番荔枝，但對(duì)這個(gè)答案并不十分自信。

使用自定義圖像

熊貓圖像證明TensorFlow可以工作，但這就是考慮到這是該項(xiàng)目提供的示例，也許不足為奇。為了進(jìn)行更好的測(cè)試，您可以將自己的圖像提供給神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。

在這種情況下，您將看到TensorFlow神經(jīng)網(wǎng)絡(luò)是否可以識(shí)別George。

遇到喬治。喬治是恐龍。要將此圖像（此處以裁剪的形式提供）輸入神經(jīng)網(wǎng)絡(luò)，請(qǐng)?jiān)谶\(yùn)行腳本時(shí)添加參數(shù)。

python3 classify_image.py --image_file=/home/pi/george.jpg

image_file = 腳本名稱允許按路徑添加任何圖像。讓我們看看這個(gè)神經(jīng)網(wǎng)絡(luò)是怎么做的。

不錯(cuò)！雖然George不是三角恐龍，但與其他選項(xiàng)相比，神經(jīng)網(wǎng)絡(luò)將圖像分類為具有高度確定性的恐龍。

TensorFlow和Raspberry Pi，準(zhǔn)備就緒

TensorFlow的這種基本實(shí)現(xiàn)已經(jīng)具有潛力。該對(duì)象識(shí)別發(fā)生在Pi上，不需要互聯(lián)網(wǎng)連接即可運(yùn)行。這意味著，通過添加Raspberry Pi攝像頭模塊和適用于Raspberry Pi的電池單元，整個(gè)項(xiàng)目可以變得可移植。

大多數(shù)教程只涉及主題的表面，但從未如此。比這種情況更真實(shí)。機(jī)器學(xué)習(xí)是一門令人難以置信的密集學(xué)科。

責(zé)任編輯：wv