如何使用Google TensorFlow和Raspberry Pi构建DIY AI项目

机器学习是每个人的话题。不难理解原因。这是数据处理的未来，几乎已经在所有现代业务环境中使用。但是，它可以与Raspberry Pi结合使用吗？ Pi是否承担了维持有效神经网络的任务？借助Google TensorFlow，它可以！

这里是在树莓派上安装TensorFlow的方法，并提供了一些用法示例。

什么是TensorFlow？

潜水前在有关如何使用TensorFlow的示例中，值得了解它的真正含义。

简而言之，TensorFlow是Google的可训练神经网络，它可以执行许多不同的任务。通过主动从用户管理的数据集中学习，TensorFlow神经网络在提供新数据时可以做出准确的预测。

简而言之，TensorFlow神经网络认为。

请查看我们的Tensorflow示例列表以获取更多信息。

虽然了解机器学习的主题需要认真研究，但基本的TensorFlow用法很容易遵循。我们的TensorFlow图像识别教程涵盖了将库安装到您的Pi上。它还涵盖了对其进行测试以及运行基本的Inception图像分类程序的情况。

在这种情况下，TensorFlow提供了已经训练有素的神经网络。用户要做的就是输入正确的数据类型，TensorFlow会猜测图像包含的内容。甚至TensorFlow的基本实现也能够将图像分类为1000个类别。

但是您可以在Raspberry Pi上使用TensorFlow做什么呢？

？

我们之前已经介绍了如何制作智能网络摄像头，但是这个有意思的移动图像分类器将其提升到了一个新的水平。

这篇详细的文章概述了与Inception图像分类器集成的硬件设置和自定义软件。该示例代码显示了将TensorFlow与一个项目集成起来有多么容易（只要您对Python编程语言的基础感到满意）。这篇文章详细介绍了图像识别的过程。通常，对于任何对此领域感兴趣的人来说，它都是一种极好的资源。

此设置的一个极好的元素可能最初并不明确：

“许多人指出了额外的好处

以前的图像识别始终依赖大量的处理时间或互联网连接。 Pi不能始终将信息传递给云，并且处理能力有限。这是解决方案，您可以在家中制作一个自包含的脱机对象识别器。它甚至可以告诉您正在查看什么。

自制的智能（或“魔"）镜是您可以建造的最酷的东西，这不是未来的奇迹吗？仅需配备Pi和旧的笔记本电脑屏幕以及基本的DIY耗材，这是一个很棒的初学者项目。 Alasdair Allan决定不接受普通的智能镜，而是建造了具有语音识别功能的TensorFlow魔镜。

对基于Web的语音识别成本不满意，Alasdair决定将TensorFlow用作离线替代产品。将TensorFlow的预训练语音识别模型集成到已经利用的AIY套件代码中，为该项目添加了自定义唤醒词。

Google组装了一个包含65,000多个众包词的数据集。这个开源数据集训练了神经网络来理解一些单词。

在这种情况下，它添加了几个可能的唤醒词，但仍然遇到了一个熟悉的机器学习问题：训练它需要大量数据神经网络。

除非您愿意创建具有成千上万个条目的唯一数据集，否则您将受到免费提供的限制。该项目显示了TensorFlow在当前状态下在Pi上的局限性。它具有完整的功能，但推动了Pi的计算能力。与所有新技术一样，这种早期实施是对智能家居设备未来的一瞥。

考虑到Google的自动驾驶汽车历史，令人惊讶的是TensorFlow非常适合自动驾驶。

DeepPiCar是这种神经网络在运行中的绝佳示例。除了标准遥控器外，Raspberry Pi机器人还具有一些更巧妙的功能。在GitHub项目页面上提供的数据集上进行训练后，网络学会了保持在预定的轨道上。

该项目不适合初学者。几乎所有便宜的机器人套件中都可以找到所需的硬件。该软件的实现需要一些更深入的知识。在进行这项学习之前，您应该对机器学习有所了解。

Makato Koike的黄瓜分拣机是Pi上TensorFlow上最著名的部署之一。

为不同的市场分拣新鲜产品对于较小的供应商来说是一笔巨大的成本。按大小和质量对黄瓜进行分拣是一项任务，直到最近才只能由操作员来执行。机器分拣非常困难，而且成本很高。 TensorFlow通过使用相机对黄瓜进行实时分类来解决此问题。

Makoto使用7000多个黄瓜图像，训练了一个神经网络来区分不同类型。在操作中，网络摄像头从三个角度捕获图像。 Pi将图像分类，然后将其转发到Linux服务器进行进一步分类。结果触发了一条传送带和伺服系统，该系统将黄瓜分装在盒子中。

我们已经看到了Raspberry Pi用于一切的事情。