怎么使用AndroidThings和TensorFlow在物聯(lián)網(wǎng)上應用機器學習
這篇文章主要介紹怎么使用Android Things和TensorFlow在物聯(lián)網(wǎng)上應用機器學習，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！
在施甸等地區(qū)，都構(gòu)建了全面的區(qū)域性戰(zhàn)略布局，加強發(fā)展的系統(tǒng)性、市場前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務(wù)理念，為客戶提供做網(wǎng)站、網(wǎng)站設(shè)計 網(wǎng)站設(shè)計制作按需求定制制作,公司網(wǎng)站建設(shè),企業(yè)網(wǎng)站建設(shè),品牌網(wǎng)站設(shè)計,全網(wǎng)整合營銷推廣,外貿(mào)營銷網(wǎng)站建設(shè),施甸網(wǎng)站建設(shè)費用合理。
這個項目探索了如何將機器學習應用到物聯(lián)網(wǎng)上。具體來說，物聯(lián)網(wǎng)平臺我們將使用 Android Things，而機器學習引擎我們將使用 Google TensorFlow。
現(xiàn)如今，Android Things 處于名為 Android Things 1.0 的穩(wěn)定版本，已經(jīng)可以用在生產(chǎn)系統(tǒng)中了。如你可能已經(jīng)知道的，樹莓派是一個可以支持 Android Things 1.0 做開發(fā)和原型設(shè)計的平臺。本教程將使用 Android Things 1.0 和樹莓派，當然，你可以無需修改代碼就能換到其它所支持的平臺上。這個教程是關(guān)于如何將機器學習應用到物聯(lián)網(wǎng)的，這個物聯(lián)網(wǎng)平臺就是 Android Things Raspberry Pi。
物聯(lián)網(wǎng)上的機器學習是最熱門的話題之一。要給機器學習一個最簡單的定義，可能就是 維基百科上的定義：
機器學習是計算機科學中，讓計算機不需要顯式編程就能去“學習”（即，逐步提升在特定任務(wù)上的性能）使用數(shù)據(jù)的一個領(lǐng)域。
換句話說就是，經(jīng)過訓練之后，那怕是它沒有針對它們進行特定的編程，這個系統(tǒng)也能夠預測結(jié)果。另一方面，我們都知道物聯(lián)網(wǎng)和聯(lián)網(wǎng)設(shè)備的概念。其中前景最看好的領(lǐng)域之一就是如何在物聯(lián)網(wǎng)上應用機器學習，構(gòu)建專家系統(tǒng)，這樣就能夠去開發(fā)一個能夠“學習”的系統(tǒng)。此外，還可以使用這些知識去控制和管理物理對象。在深入了解 Android Things 的細節(jié)之前，你應該先將其安裝在你的設(shè)備上。如果你是***次使用 Android Things，你可以閱讀一下這篇如何在你的設(shè)備上安裝 Android Things 的教程。
這里有幾個應用機器學習和物聯(lián)網(wǎng)產(chǎn)生重要價值的領(lǐng)域，以下僅提到了幾個有趣的領(lǐng)域，它們是：
在工業(yè)物聯(lián)網(wǎng)（IIoT）中的預見性維護
消費物聯(lián)網(wǎng)中，機器學習可以讓設(shè)備更智能，它通過調(diào)整使設(shè)備更適應我們的習慣
在本教程中，我們希望去探索如何使用 Android Things 和 TensorFlow 在物聯(lián)網(wǎng)上應用機器學習。這個 Adnroid Things 物聯(lián)網(wǎng)項目的基本想法是，探索如何去構(gòu)建一個能夠識別前方道路上基本形狀（比如箭頭）并控制其道路方向的無人駕駛汽車。我們已經(jīng)介紹了 如何使用 Android Things 去構(gòu)建一個無人駕駛汽車，因此，在開始這個項目之前，我們建議你去閱讀那個教程。
這個機器學習和物聯(lián)網(wǎng)項目包含如下的主題：
如何使用 Docker 配置 TensorFlow 環(huán)境
如何訓練 TensorFlow 系統(tǒng)
如何使用 Android Things 去集成 TensorFlow
如何使用 TensorFlow 的成果去控制無人駕駛汽車
這個項目起源于 Android Things TensorFlow 圖像分類器。
我們開始吧！
如何使用 Tensorflow 圖像識別
在開始之前，需要安裝和配置 TensorFlow 環(huán)境。我不是機器學習方面的專家，因此，我需要找到一些快速而能用的東西，以便我們可以構(gòu)建 TensorFlow 圖像識別器。為此，我們使用 Docker 去運行一個 TensorFlow 鏡像。以下是操作步驟：
1、 克隆 TensorFlow 倉庫：
git clone https://github.com/tensorflow/tensorflow.gitcd /tensorflowgit checkout v1.5.0
2、 創(chuàng)建一個目錄（/tf-data），它將用于保存這個項目中使用的所有文件。
3、 運行 Docker：
docker run -it \--volume /tf-data:/tf-data \--volume /tensorflow:/tensorflow \--workdir /tensorflow tensorflow/tensorflow:1.5.0 bash
使用這個命令，我們運行一個交互式 TensorFlow 環(huán)境，可以掛載一些在使用項目期間使用的目錄。
如何訓練 TensorFlow 去識別圖像
在 Android Things 系統(tǒng)能夠識別圖像之前，我們需要去訓練 TensorFlow 引擎，以使它能夠構(gòu)建它的模型。為此，我們需要去收集一些圖像。正如前面所言，我們需要使用箭頭來控制 Android Things 無人駕駛汽車，因此，我們至少要收集四種類型的箭頭：
向上的箭頭
向下的箭頭
向左的箭頭
向右的箭頭
為訓練這個系統(tǒng)，需要使用這四類不同的圖像去創(chuàng)建一個“知識庫”。在 /tf-data 目錄下創(chuàng)建一個名為 images 的目錄，然后在它下面創(chuàng)建如下名字的四個子目錄：
up-arrowdown-arrowleft-arrowright-arrow
現(xiàn)在，我們?nèi)フ覉D片。我使用的是 Google 圖片搜索，你也可以使用其它的方法。為了簡化圖片下載過程，你可以安裝一個 Chrome 下載插件，這樣你只需要點擊就可以下載選定的圖片。別忘了多下載一些圖片，這樣訓練效果更好，當然，這樣創(chuàng)建模型的時間也會相應增加。
擴展閱讀
如何使用 API 去集成 Android Things
如何與 Firebase 一起使用 Android Things
打開瀏覽器，開始去查找四種箭頭的圖片：
TensorFlow image classifier
每個類別我下載了 80 張圖片。不用管圖片文件的擴展名。
為所有類別的圖片做一次如下的操作（在 Docker 界面下）：
python /tensorflow/examples/image_retraining/retrain.py \ --bottleneck_dir=tf_files/bottlenecks \--how_many_training_steps=4000 \--output_graph=/tf-data/retrained_graph.pb \--output_labels=/tf-data/retrained_labels.txt \--image_dir=/tf-data/images
這個過程你需要耐心等待，它需要花費很長時間。結(jié)束之后，你將在 /tf-data 目錄下發(fā)現(xiàn)如下的兩個文件：
retrained_graph.pbretrained_labels.txt
***個文件包含了 TensorFlow 訓練過程產(chǎn)生的結(jié)果模型，而第二個文件包含了我們的四個圖片類相關(guān)的標簽。
如何測試 Tensorflow 模型
如果你想去測試這個模型，去驗證它是否能按預期工作，你可以使用如下的命令：
python scripts.label_image \--graph=/tf-data/retrained-graph.pb \--image=/tf-data/images/[category]/[image_name.jpg]
優(yōu)化模型
在 Android Things 項目中使用我們的 TensorFlow 模型之前，需要去優(yōu)化它：
python /tensorflow/python/tools/optimize_for_inference.py \--input=/tf-data/retrained_graph.pb \--output=/tf-data/opt_graph.pb \--input_names="Mul" \--output_names="final_result"
那個就是我們?nèi)康哪Ｐ?。我們將使用這個模型，把 TensorFlow 與 Android Things 集成到一起，在物聯(lián)網(wǎng)或者更多任務(wù)上應用機器學習。目標是使用 Android Things 應用程序智能識別箭頭圖片，并反應到接下來的無人駕駛汽車的方向控制上。
如果你想去了解關(guān)于 TensorFlow 以及如何生成模型的更多細節(jié)，請查看官方文檔以及這篇 教程。
如何使用 Android Things 和 TensorFlow 在物聯(lián)網(wǎng)上應用機器學習
TensorFlow 的數(shù)據(jù)模型準備就緒之后，我們繼續(xù)下一步：如何將 Android Things 與 TensorFlow 集成到一起。為此，我們將這個任務(wù)分為兩步來完成：
硬件部分，我們將把電機和其它部件連接到 Android Things 開發(fā)板上
實現(xiàn)這個應用程序
Android Things 示意圖
在深入到如何連接外圍部件之前，先列出在這個 Android Things 項目中使用到的組件清單：
Android Things 開發(fā)板（樹莓派 3）
樹莓派攝像頭
一個 LED 燈
LN298N 雙 H 橋電機驅(qū)動模塊（連接控制電機）
一個帶兩個輪子的無人駕駛汽車底盤
我不再重復 如何使用 Android Things 去控制電機 了，因為在以前的文章中已經(jīng)講過了。
下面是示意圖：
Integrating Android Things with IoT
上圖中沒有展示攝像頭。最終成果如下圖：
Integrating Android Things with TensorFlow
使用 TensorFlow 實現(xiàn) Android Things 應用程序
***一步是實現(xiàn) Android Things 應用程序。為此，我們可以復用 Github 上名為 TensorFlow 圖片分類器示例 的示例代碼。開始之前，先克隆 Github 倉庫，這樣你就可以修改源代碼。
這個 Android Things 應用程序與原始的應用程序是不一樣的，因為：
它不使用按鈕去開啟攝像頭圖像捕獲
它使用了不同的模型
它使用一個閃爍的 LED 燈來提示，攝像頭將在 LED 停止閃爍后拍照
當 TensorFlow 檢測到圖像時（箭頭）它將控制電機。此外，在第 3 步的循環(huán)開始之前，它將打開電機 5 秒鐘。
為了讓 LED 閃爍，使用如下的代碼：
private Handler blinkingHandler = new Handler();private Runnable blinkingLED = new Runnable() { @Override public void run() { try { // If the motor is running the app does not start the cam if (mc.getStatus()) return ; Log.d(TAG, "Blinking.."); mReadyLED.setValue(!mReadyLED.getValue()); if (currentValue <= NUM_OF_TIMES) { currentValue++; blinkingHandler.postDelayed(blinkingLED, BLINKING_INTERVAL_MS); } else { mReadyLED.setValue(false); currentValue = 0; mBackgroundHandler.post(mBackgroundClickHandler); } } catch (IOException e) { e.printStackTrace(); } }};當 LED 停止閃爍后，應用程序?qū)⒉东@圖片。
現(xiàn)在需要去關(guān)心如何根據(jù)檢測到的圖片去控制電機。修改這個方法：
@Overridepublic void onImageAvailable(ImageReader reader) { final Bitmap bitmap; try (Image image = reader.acquireNextImage()) { bitmap = mImagePreprocessor.preprocessImage(image); } final List<Classifier.Recognition> results = mTensorFlowClassifier.doRecognize(bitmap); Log.d(TAG, "Got the following results from Tensorflow: " + results); // Check the result if (results == null || results.size() == 0) { Log.d(TAG, "No command.."); blinkingHandler.post(blinkingLED); return ; } Classifier.Recognition rec = results.get(0); Float confidence = rec.getConfidence(); Log.d(TAG, "Confidence " + confidence.floatValue()); if (confidence.floatValue() < 0.55) { Log.d(TAG, "Confidence too low.."); blinkingHandler.post(blinkingLED); return ; } String command = rec.getTitle(); Log.d(TAG, "Command: " + rec.getTitle()); if (command.indexOf("down") != -1) mc.backward(); else if (command.indexOf("up") != -1) mc.forward(); else if (command.indexOf("left") != -1) mc.turnLeft(); else if (command.indexOf("right") != -1) mc.turnRight();}在這個方法中，當 TensorFlow 返回捕獲的圖片匹配到的可能的標簽之后，應用程序?qū)⒈容^這個結(jié)果與可能的方向，并因此來控制電機。
***，將去使用前面創(chuàng)建的模型了?？截?assets 文件夾下的 opt_graph.pb 和 reatrained_labels.txt 去替換現(xiàn)在的文件。
打開 Helper.java 并修改如下的行：
public static final int IMAGE_SIZE = 299;private static final int IMAGE_MEAN = 128;private static final float IMAGE_STD = 128;private static final String LABELS_FILE = "retrained_labels.txt";public static final String MODEL_FILE = "file:///android_asset/opt_graph.pb";public static final String INPUT_NAME = "Mul";public static final String OUTPUT_OPERATION = "output";public static final String OUTPUT_NAME = "final_result";
運行這個應用程序，并給攝像頭展示幾種箭頭，以檢查它的反應。無人駕駛汽車將根據(jù)展示的箭頭進行移動。
以上是“怎么使用Android Things和TensorFlow在物聯(lián)網(wǎng)上應用機器學習”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
本文名稱：怎么使用AndroidThings和TensorFlow在物聯(lián)網(wǎng)上應用機器學習
鏈接URL：http://redsoil1982.com.cn/article4/jiejie.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站建設(shè)、虛擬主機、建站公司、品牌網(wǎng)站制作、商城網(wǎng)站、移動網(wǎng)站建設(shè)
聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)
