William Charles
0 
4306
1262
TensorFlow, Google'ın Sinir Ağı kütüphanesidir. Makine öğreniminin şu andaki en sıcak şey olduğu göz önüne alındığında, Google’ın bu yeni teknolojide liderler arasında olması şaşırtıcı değil..
Bu makalede, TensorFlow’u Raspberry Pi’ye nasıl kuracağınızı ve önceden eğitilmiş bir sinir ağında basit bir görüntü sınıflandırmasını nasıl çalıştıracağınızı öğreneceksiniz..
Başlamak
Görüntü tanımaya başlamak için bir Raspberry Pi'ye (herhangi bir model çalışacaktır) ve Raspbian Stretch (9.0+) işletim sistemine sahip bir SD karta (Raspberry Pi'de yeniyseniz, kurulum rehberimizi kullanın) ihtiyacınız olacaktır..
Pi'yi açın ve bir terminal penceresi açın. Pi'nizin güncel olduğundan emin olun ve Python versiyonunuzu kontrol edin..
sudo apt-get güncelleme python - sürüm python3 - sürümBu eğitim için Python 2.7 veya Python 3.4+ kullanabilirsiniz. Bu örnek Python 3 içindir. Python 2.7 için değiştirin. Python3 ile piton, ve PIP3 ile bip bu eğitim boyunca.
Pip, Python için genellikle Linux dağıtımlarında standart olarak yüklenen bir paket yöneticisidir..
Sahip olmadığınızı görürseniz, Linux yönergeleri için yüklemeyi izleyin Windows, Mac ve Linux'ta Python PIP Nasıl Kurulur Windows, Mac ve Linux'ta Python PIP Nasıl Kurulur Pek çok Python geliştiricisi PIP adlı bir araca güvenmektedir Python her şeyi daha kolay ve daha hızlı yapmak için. İşte Python PIP'in nasıl kurulacağı. yüklemek için bu makalede.
TensorFlow’un Kurulumu
TensorFlow'un kurulumu oldukça sinir bozucu bir işlemdi, ancak yeni bir güncelleme inanılmaz derecede basit. Bu öğreticiyi önceden bilgi sahibi olmadan izleyebilseniz de, denemeden önce makine öğrenmenin temellerini anlamaya değer olabilir.
TensorFlow’u kurmadan önce Atlas kütüphane.
sudo apt yüklemek libatlas-base-devBu işlem bittiğinde TensorFlow'u pip3 üzerinden kurun
pip3 kurulumu - kullanıcı tensorflowBu, oturum açan kullanıcı için TensorFlow uygulamasını yükleyecektir. Sanal ortam kullanmayı tercih ediyorsanız, Python Sanal Ortamını Nasıl Kullanacağınızı Öğrenin Python Sanal Ortamını Nasıl Kullanacağınızı Öğrenin Deneyimli bir Python geliştiricisi olun veya yeni başlıyorsanız, herhangi bir sanal ortamın nasıl kurulacağını öğrenmek çok önemlidir. Python projesi. , kodunuzu burada yansıtacak şekilde değiştirin.
TensorFlow'un Test Edilmesi
Kurulduktan sonra, bir TensorFlow eşdeğeri ile çalışıp çalışmadığını test edebilirsiniz. Selam Dünya!
Komut satırından kullanarak yeni bir Python betiği oluşturun nano veya gayret (Hangisini kullanacağınızdan emin değilseniz, ikisinin de avantajları vardır) ve hatırlanması kolay bir şeyi adlandırın.
sudo nano tftest.py Google tarafından TensorFlow’u test etmek için sağlanan bu kodu girin:
tensorflow'u tf olarak al hello = tf.constant ('Merhaba, TensorFlow!') sess = tf.Session () print (sess.run (hello)) Nano kullanıyorsanız, tuşuna basarak çıkın. Ctrl + X ve yazarak dosyanızı kaydedin. Y istendiğinde.
Kodu terminalden çalıştırın:
python3 tftest.py Görmelisin “Merhaba, TensorFlow” basılı.
Python 3.5 kullanıyorsanız, çeşitli çalışma zamanı uyarıları alırsınız. Resmi TensorFlow dersleri bunun olduğunu kabul ediyor ve bunu görmezden gelmenizi tavsiye ediyor.
İşe yarıyor! Şimdi TensorFlow ile ilginç şeyler yapmak için.
Görüntü Sınıflandırıcının Kurulumu
Terminalde, giriş dizininizdeki proje için bir dizin oluşturun ve içine gidin.
mkdir tf1 cd tf1 TensorFlow, denemek için örnek modeller ile bir git deposuna sahiptir. Depoyu yeni dizine klonlayın:
git klonu https://github.com/tensorflow/models.git Adresinde bulunan resim sınıflandırma örneğini kullanmak istiyorsunuz. Modeller / öğreticiler / resim / IMAGEnet. Şimdi o klasöre gidin:
cd modelleri / öğreticiler / resim / imagenet Standart resim sınıflandırma komut dosyası, panda için sağlanan bir resim ile çalışır:
Standart görüntü sınıflandırıcıyı sağlanan panda görüntüsü ile çalıştırmak için şunu girin:
python3 classify_image.py Bu, bir panda görüntüsünü sinir ağına besler, bu da görüntünün kesinlik düzeyi için bir değere sahip olduğuna dair tahminleri döndürür..
Çıktı görüntüsünde görüldüğü gibi, sinir ağı neredeyse yüzde 90 kesinlikte doğru bir şekilde tahmin edildi. Aynı zamanda görüntünün muhallebi bir elma içerebileceğini de düşündü, ancak bu cevaba çok da güvenilmezdi..
Özel Bir Görüntü Kullanma
Panda imgesi TensorFlow'un işe yaradığını ispatlıyor, ancak projenin sağladığı örnek belki de şaşırtıcı değil. Daha iyi bir test için, sınıflandırma için sinir ağına kendi imajınızı verebilirsiniz.
Bu durumda, TensorFlow sinir ağının George'u tanımlayıp tanımlayamadığını göreceksiniz..
George ile tanış. George bir dinozor. Bu görüntüyü (burada kırpılmış formda bulunur) sinir ağına beslemek için komut dosyasını çalıştırırken argümanlar ekleyin.
python3 classify_image.py --image_file = / home / pi / george.jpg image_file = komut dosyası adının ardından, herhangi bir görüntünün yoldan eklenmesini sağlar. Bu sinir ağının nasıl yaptığını görelim.
Fena değil! George bir triceratops olmasa da sinir ağı, görüntüyü diğer seçeneklerle karşılaştırıldığında yüksek derecede kesinliğe sahip bir dinozor olarak sınıflandırdı..
TensorFlow ve Ahududu Pi, Gitmeye Hazır
TensorFlow'un bu temel uygulamasının zaten potansiyeli var. Bu nesne tanıma Pi'de gerçekleşiyor ve çalışması için internet bağlantısı gerektirmiyor. Bu, bir Ahududu Pi kamera modülü ve bir Ahududu Pi'ye uygun pil ünitesinin eklenmesiyle tüm projenin taşınabilir olabileceği anlamına gelir.
Çoğu öğretici, bir konunun yüzeyini yalnızca çizer, ancak bu durumda olduğundan daha gerçekçi olmamıştı. Makine öğrenmesi inanılmaz derecede yoğun bir konudur.
Bilginizi daha ileri götürmenin bir yolu, özel bir kursa katılmak olabilir Bu Makine Öğrenim Kursları Sizin İçin Bir Kariyer Yolu Hazırlayacaktır Bu Makine Öğrenim Kursları Sizin İçin Bir Kariyer Yolu Hazırlayacaktır Bu mükemmel çevrimiçi makine öğrenme kursları, gereken becerileri anlamanıza yardımcı olacaktır. Makine öğrenimi ve yapay zeka alanında kariyer başlatmak. . Bu arada, TensorFlow projelerinde makine öğrenmesi ve Ahududu Pi ile kendin deneyebilirsin.