用樹莓派4b構建深度學習應用（七）Codeless開發篇

前言

經過前幾篇的努力，咱們把主流的幾個AI框架都安裝了一下，涉及了太多的代碼，略顯枯燥。這篇咱們試着在這基礎上，作一些有趣的AI應用，並趕一波時髦全程採用無代碼開發。

如今創建人工智能應用最大的挑戰在於幾個方面：

• 數據採集與標註須要花大量的時間和人力；
• 模型的訓練時間很長，算力成本也高；
• 模型泛化能力很弱，換一個場景就須要更換模型；
• 基礎算法艱澀難懂，科研和學校還是主力軍；
• 不少領域尚未成熟的商業化解決方案。

隨着技術的不斷髮展，人工智能應該成爲某一系統的底層技術，在降本增效方面發揮更大的價值。AI 應該像水和電那樣，成爲任何人都隨開隨用的一種資源。這裏介紹一個網站，就有點這個意思了。

Teachable Machine

這個網站提供了一個簡單的人工智能訓練平臺，主要以監督學習爲主，提供了圖像分類，聲音分類和姿態識別三種類型的AI應用。能夠將訓練好的模型，以 Tensorflow，Tensorflow.js 或 Tensorflow Lite 三種形式來保存，這樣咱們能夠很方便的將其部署到手機端或是樹莓派上。

https://teachablemachine.with...

訓練模型分爲三個步驟：採集數據，訓練模型，導出模型。

1. 新建項目

咱們準備先作一個手勢識別的應用，新建一個圖像分類項目，再選擇 Image Project

2. 採集數據

能夠經過上傳圖像或是攝像頭的方式來採集圖像，填入分類的類別名稱，好比 one。

用攝像頭會比較方便，按住 Hold to Record 按鈕就會記錄，還能夠選擇幀率。錄製過程當中，能夠隨時刪除一些不適合的樣本，也能夠重複錄製，增長樣本多樣性。

而後依次加第二個類別，第三個類別... 一直到 ten，共十個有效類別。這時候記得必定要加一個 nothing，做爲排除項。

Tip:

要注意每一個類別的圖像數量儘可能保持差很少的水平上，避免形成樣本不平衡。

3. 訓練模型

填入 Epochs，默認是50，只要沒有過擬合，能夠根據狀況改大些，提升準確率；

Batch Size，默認是16，過小的話不容易收斂，太大的話容易欠擬合。顯卡的顯存足夠的話，我比較迷信32；

Learning Rate，學習率是每次梯度降低更新的幅度，過大容易震盪，太小影響模型收斂速度，默認 0.001。

還能夠點擊 Under the hood，來查看整個訓練過程當中的曲線，有點 tensorboard 的味道了。
最後還能計算每一個類別的準確率和混淆矩陣，完美！

Tip:

訓練中記得不要切換標籤，保持tab一直處於開啓狀態，避免瀏覽器優化後臺影響訓練模型。

4. 驗證模型

能夠在訓練結束後，從新用攝像頭來驗證分類的結果，列表裏會輸出模型的預測機率，很是直觀好用。

你能夠及時對錯誤的類別，再補充一些樣本，提升分類的準確率。

5. 導出模型

點擊 Export Model 按鈕，會彈出一個對話框，咱們這裏選擇 Tensorflow Lite 模型，還能夠選擇導出的精度類型，Floating point ，Quantized 或 EdgeTPU。

點擊 Download my model 下載模型按鈕，過一段時間，網站就會把轉換好的模型打包成 converted_tflite.zip 壓縮文件。裏面包含兩個文件，model_unquant.tflite 是模型文件，labels.txt 是分類標籤文件。

這兩個文件是否是有點眼熟，對了，就是咱們上一篇 tensorflow lite 應用裏輸入的兩個參數。那讓咱們上次的程序直接跑一下看看效果。

部署到樹莓派

酷！！！

可貴的是，這回一行代碼沒寫，就跑出了一個手勢識別的AI應用。稍微擴展一下，好比訓練一個火影忍者裏的結印手勢，而後根據分類結果，後端再鏈接一個 IFFFT 應用，能夠頗有儀式感地打開你的智能門鎖。

也能夠很容易的作到揮一揮手就打開空調，打個響指就滅一盞臥室的檯燈，更多這種中二，又有趣的智能家庭應用，就留給大家的想象力了。

---

下一篇預告

咱們將在樹莓派上。
部署一下 intel 的神經計算棒，
進一步的提高推理速度，
敬請期待...