本文共 1901 字，大约阅读时间需要 6 分钟。
raspberry pi3
2017年初，Raspberry Pi基金会宣布了一项Google开发人员调查，该调查要求制造商社区提供有关他们希望在Raspberry Pi上使用哪些工具的反馈。 说，谷歌已经开发了用于机器学习，物联网，可穿戴设备，机器人技术和家庭自动化的工具，该调查提到了面部和情感识别，语音到文本翻译，自然语言处理和情感分析。 这篇文章解释说：“这项调查将帮助他们了解Raspberry Pi社区，但也将帮助我们获得所需的各种服务。” 同时，数据科学家们并没有地将Google的 （一种用于机器学习的开源软件库）用于Raspberry Pi。
让我们看一下Raspberry Pi上使用TensorFlow进行机器学习的一些很棒的例子。
是火车点项目。 在 ，数据科学家 ， 和写道：“我们的兴趣来自这样一个事实，即我们一半的员工每天都依靠Caltrain上班。我们还希望回到社区，我们很高兴能用数据做到这一点。”
由于Caltrain提供的延迟估计“可能有点...不正确”（用他们的话说），因此该团队希望集成新的数据源，以进行超出Caltrain API可用范围之外的延迟预测。 他们概述了他们希望IoT Raspberry Pi火车检测仪回答的三个问题：
然后，他们将他们的过程分为一系列文章，其中包括 。
然后，在 ，Rubashkin写道：“当我们在山景城办公室设置新的Raspberry Pi时，我们遇到了一个大问题：Pi不仅检测到Caltrains（真阳性），而且还检测到检测联合太平洋货运列车和VTA轻轨（误报）。为了可靠地检测Caltrain延误，我们必须可靠地对不同的列车进行分类。” 他说，2016年是遇到这种分类问题的好年头，因为包括谷歌的TensorFlow在内的几种深度学习图像识别技术已作为开源项目发布。
为了获得使用TensorFlow创建图像分类器的经验，Rubashkin使用了编写的教程页面上的 。 然后，要获取火车训练数据集，Rubashkin使用了Google图片中的1,000张图像来为Caltrains，货运火车，轻轨，卡车和汽车创建车辆分类器。 请参阅此视频中的TensorFlow培训操作：
阅读以了解有关Rubashkin如何测试和部署模型的更多信息，以及他在Raspberry Pi上对TensorFlow进行故障排除的经验。
在2016年9月的上，John Naulty介绍了 。 Naulty在项目网站上说，Meter Maid Monitor将TensorFlow图像分类与Raspberry Pi运动检测和速度测量程序相结合，旨在避免停车罚单。 他解释说：“有了这套工具，一个人就可以停放他们的汽车，因为他们知道会通过短信通知通行的女仆。” 想法是，这标志着他们两个小时停车时间的正式开始。
当捕获视野中行驶中的汽车的图像时，TensorFlow会使用经过训练的数据对其进行分析（以识别电表女仆车辆）。 如果图像与女佣相匹配，则会通过发送一条消息，并带有指向该图像的链接。 Naulty包含免责声明：“这是一个免费的开放源代码项目，由于叛逆，破坏引用的公民，开发商绝不负责罚单。”
在GitHub上查看该项目，或观看TechCrunch Disrupt Hackathon视频以获取Naulty的简短演示：
TensorFlow不仅适用于城市居民，它在农场中也很方便。 前日本汽车行业的嵌入式系统设计师Makoto Koike开始在他父母的Cucumber农场提供帮助。 Google Cloud Platform博客上的一篇文章《 》解释说，小池的母亲每天最多花费8个小时来按照大小，厚度，颜色，纹理，细小划痕和他们是否有皮刺，这使市场上的价格更高。
“该系统使用Raspberry Pi 3作为主要控制器，通过相机拍摄Cucumber的图像，并且在第一阶段，在TensorFlow上运行小型神经网络以检测图像是否是Cucumber。”解释。 “然后它将图像转发到运行在Linux服务器上的更大的TensorFlow神经网络，以执行更详细的分类。”
阅读该文章以了解有关该项目如何工作的更多信息，或观看视频以查看该分类器的运行情况：
您是否了解使用TensorFlow和Raspberry Pi的其他出色项目？ 在评论中让我们知道它们，或者通过将您的故事想法发送给我们。
翻译自:
raspberry pi3
转载地址：http://nkpzd.baihongyu.com/