您现在的位置是：主页 > news > 大岭山仿做网站/怎么创建域名

大岭山仿做网站/怎么创建域名

admin2025/6/3 0:21:06【news】

简介大岭山仿做网站,怎么创建域名,做网站的流程视频教程,聚来宝网站建设nb-iot该项目探讨了如何将机器学习应用于物联网。更详细地说，作为物联网平台，我们将使用Android Things ；作为机器学习引擎，我们将使用Google TensorFlow 。如今，机器学习是物联网中最有趣的技术主题之一。为了给机…

大岭山仿做网站,怎么创建域名,做网站的流程视频教程,聚来宝网站建设nb-iot该项目探讨了如何将机器学习应用于物联网。更详细地说，作为物联网平台，我们将使用Android Things ；作为机器学习引擎，我们将使用Google TensorFlow 。如今，机器学习是物联网中最有趣的技术主题之一。为了给机…

nb-iot

该项目探讨了如何将机器学习应用于物联网。更详细地说，作为物联网平台，我们将使用Android Things ；作为机器学习引擎，我们将使用Google TensorFlow 。如今，机器学习是物联网中最有趣的技术主题之一。为了给机器学习一个简单的定义，可以用Wikipedia定义：

机器学习是计算机科学的一个领域，它使计算机系统能够“学习”(即逐步提高特定任务的性能)数据，而无需进行明确的编程。

换句话说，在训练步骤之后，即使系统没有专门针对结果进行编程，也可以预测结果。另一方面，我们都知道物联网和连接设备的概念。最有前途的主题之一是如何将机器学习应用于物联网，构建专家系统，以便有可能开发一种能够“学习”的系统。而且，它使用此知识来控制和管理物理对象。

在机器学习和物联网应用中产生重要价值的领域有几个，仅举几个有趣的领域，它们是：

工业物联网(IIoT)的预测性维护
消费物联网，通过机器赚钱可以使设备智能化，从而适应我们的习惯

在本教程中，我们想探索如何使用Android Things和TensorFlow将机器学习应用于IoT。这个Android Things IoT项目背后的基本思想是探索如何构建能够识别一些基本形状(如箭头)并以此方式控制机器人方向的机器人汽车。我们已经介绍了如何使用Android Things构建机器人汽车，因此建议您在开始该项目之前先阅读本教程。

这个机器学习和物联网项目涵盖以下主要主题：

如何使用Docker设置TensorFlow环境
如何训练TensorFlow系统
如何将TensorFlow与Android Things集成
如何使用TensorFlow结果控制机器人车

该项目源自Android Things TensorFlow图像分类器。

让我们开始吧！

如何在Tensorflow中创建图像分类器

在开始之前，有必要安装和配置TensorFlow环境。我不是机器学习专家，所以我需要快速找到可用的东西，以便我们构建TensorFlow图像分类器。因此，我们可以使用Docker运行TensorFlow的映像。按着这些次序：

克隆TensorFlow存储库：

git clone https://github.com/tensorflow/tensorflow.git
cd /tensorflow
git checkout v1.5.0

创建一个目录( /tf-data )，该目录将保存我们在项目期间将使用的所有文件。

运行Docker：

docker run -it \
--volume /tf-data:/tf-data \
--volume /tensorflow:/tensorflow \
--workdir /tensorflow tensorflow/tensorflow:1.5.0 bash

使用此命令，我们运行交互式TensorFlow环境，并安装一些在项目期间将使用的目录

如何训练TensorFlow

在Android Things系统能够识别图像之前，必须训练TensorFlow引擎，以便它可以构建其模型。为此，有必要收集多个图像。如前所述，我们想使用箭头来控制Android Things机器人车，以便我们必须至少收集四种箭头类型：

向上箭头
向下箭头
左箭头
右箭头

要训练系统，必须创建具有这四个不同图像类别的“知识基础”。在/tf-data创建一个名为images的目录，并在其下创建四个子目录，这些子目录分别为：

向上箭头
下箭头
左箭头
右箭头

现在是时候寻找图像了。我使用过Google图片搜索，但是您也可以使用其他方法。为了简化图片下载过程，您应该安装一个Chrome插件，只需单击一下即可下载所有图片。不要忘记下载更多图像，这是训练过程，即使创建模型的时间可能会增加。

打开浏览器，然后开始寻找四个图像类别：

我为每个类别下载了80张图像。不在乎图像扩展。

一旦所有类别都有其图像，请按照以下步骤操作(在Docker界面中)：

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

可能需要一些时间，因此请耐心等待。最后，您应该在/tf-data文件夹中有两个文件：

retrained_graph.pb
retrained_labels.txt

第一个文件包含TensorFlow训练过程的结果，而第二个文件包含与我们的四个图像类别相关的标签。

如何测试Tensorflow模型

如果要测试模型以检查一切是否正常，可以使用以下命令：

python scripts.label_image \
--graph=/tf-data/retrained-graph.pb \
--image=/tf-data/images/[category]/[image_name.jpg]

优化模型

在我们在Android Things项目中使用此TensorFlow模型之前，有必要对其进行优化：

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"

这就是我们拥有的模型。我们将使用此模型将机器学习应用于IoT，或更详细地将Android Things与TensorFlow集成在一起。目标是将智能识别功能应用于Android Things应用，以识别箭头图像并做出React，从而控制机器人的行车方向。

如果您想了解有关TensorFlow以及如何生成模型的更多详细信息，请参阅官方文档和本教程。

如何使用Android Things和TensorFlow将机器学习应用于IoT

一旦TensorFlow数据模型准备就绪，我们就可以进行下一步：如何将Android Things与TensorFlow集成。为此，我们可以将该任务分为两个步骤：

硬件部分，我们将电机和其他外围设备连接到Android Things板
实施应用

Android Things示意图

在深入探讨如何连接外设之前，这是此Android Things项目中使用的组件的列表：

Android Things开发板(Raspberry Pi 3)
树莓派相机
一个LED
LN298N双H桥(用于控制电动机)
具有两个轮子的机器人汽车底盘

我不会再介绍如何使用Android Things控制电机，因为我们在上一篇文章中已经介绍过。

在原理图下方：

在上图中，未显示相机。最终结果是：

使用TensorFlow实施Android Things应用

最后一步是实现Android Things应用。为此，我们可以重用Github中可用的示例TensorFlow图像分类器。开始之前，请克隆Github存储库，以便您可以修改源代码。

此Android Things应用与原始应用不同，因为：

它不使用按钮启动相机来捕获图像
它使用不同的模型
当LED停止闪烁时，它会使用闪烁的LED来通知相机将拍摄照片
当TensorFlow检测到图像时(箭头)，它将控制电动机。此外，在从步骤3开始循环之前，它会打开电动机5秒钟。

要处理闪烁的LED，请使用以下代码：

private Handler blinkingHandler = new Handler();
private Runnable blinkingLED = new Runnable() {@Overridepublic void run() {try {// If the motor is running the app does not start the camif (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();}}
};

当LED停止闪烁时，应用程序将捕获图像。

现在必须集中精力于如何根据检测到的图像来控制电动机。修改方法：

@Override
public 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 resultif (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();
}

在这种方法中，TensorFlow返回与所捕获图像匹配的可能标签后，应用程序会将结果与可能的方向进行比较，从而控制电机。

最后，是时候使用开始时创建的模型了。复制资产文件夹下的opt_graph.pb和reatrained_labels.txt替换现有文件。

打开Helper.java并修改以下几行：

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";

运行该应用程序，并向相机显示箭头，并查看结果，玩得开心。机器人汽车必须按照所示箭头移动。