机器学习是每个人都在谈论的话题。很容易看出原因。它是数据操作的未来，几乎已在所有现代业务环境中使用。但它能和树莓皮一起吃吗？Pi是否能够维持一个工作的神经网络？有了谷歌TensorFlow，它可以！

下面是如何在Raspberry Pi上安装TensorFlow，以及一些用法示例。

什么是张量流(tensorflow)？

在深入研究如何使用张量流的例子之前，有必要知道它实际上是什么。

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。通过主动地从用户控制的数据集中学习，当给定新数据时，TensorFlow神经网络可以做出准确的预测。

简而言之，张量流神经网络认为。

查看我们的Tensorflow示例列表以获取更多信息。

如何安装tensorflow

在理解机器学习的学科时，要认真学习，基本的张量流用法很容易被遵循。我们的图像识别与张量流教程涵盖安装库到您的Pi。它还包括测试，并运行基本的初始图像分类程序。

在这个例子中，TensorFlow提供了一个已经训练过的神经网络。用户所要做的就是输入正确的数据类型，TensorFlow将猜测图像包含什么。即使TensorFlow的基本实现也能够将图像分为1000个类。它得到了一个惊人的数量正确！

但是你还能用TensorFlow做什么呢？

便携式图像识别

我们之前已经讨论过如何**一个智能网络摄像头，但是这个会说话的移动图像分类器将它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定制软件。示例代码显示了将TensorFlow与项目集成是多么容易（前提是您熟悉Python编程语言的基础知识）。本文详细介绍了图像识别的过程。它是一个很好的资源，一般来说，任何有兴趣的领域。

这个设置的一个优秀元素最初可能并不清楚：

许多人指出的另一个好处是，一旦安装，就不需要上网了

以前的图像识别总是依赖于大量的处理时间，或者互联网连接。Pi不能总是将信息传递给云，并且处理能力有限。这是一个解决方案，一个独立的离线对象识别器，你可以在家里。它甚至会告诉你它在看什么。未来不是很美好吗？

张量流魔镜

https://vimeo.com/240635807

自制的智能（或“魔法”）镜子是你能做的最酷的东西。只需要一个圆周率和一个旧的笔记本电脑屏幕以及基本的DIY用品，这是一个伟大的初学者项目。阿拉斯代尔艾伦决定不满足于一般的智能镜子，并建立了TensorFlow魔镜语音识别。

由于对基于网络的语音识别的成本不满意，阿拉斯代尔决定将TensorFlow作为离线替代方案。将TensorFlow的预训练语音识别模型集成到已经使用的AIY工具包代码中，为项目添加自定义唤醒词。

谷歌收集了一个超过65000个众包单词的数据集。这个开源的数据集训练神经网络去理解一些单词。

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：训练神经网络需要大量数据。

除非您愿意创建一个包含数万个条目的唯一数据集，否则您只能使用免费提供的数据集。这个项目显示了张量流对Pi在当前状态下的局限性。它功能齐全，但提高了Pi的计算能力。与所有新技术一样，这一早期的实现是对智能家居设备未来的一个展望。

tensorflow自主式钢筋混凝土车

考虑到谷歌拥有自动驾驶汽车的历史，TensorFlow非常适合自动驾驶也就不足为奇了。

DeepPiCar就是这种神经网络的一个很好的例子。除了标准的遥控器，这个树莓皮机器人的特点是更聪明的东西。在GitHub项目页面上提供的数据集上训练，网络学习保持在预定的轨道上。

这个项目不适合初学者。所需的硬件几乎可以在任何便宜的机器人套件中找到。软件实现需要一些更深入的知识。在接受机器学习之前，你应该对它有很好的掌握。

黄瓜自动分拣机

在Pi上最著名的TensorFlow部署之一，Makoto Koike的黄瓜分拣机是即将到来的一个信号。

为不同的市场分类新鲜农产品对于较小的供应商来说是一项巨大的成本。按照黄瓜的大小和质量分类是一项直到最近还只能由人工操作的任务。机器分拣很难实现，而且成本很高。TensorFlow通过摄像头对黄瓜进行实时分类，解决了这个问题。

利用7000多张黄瓜图像，Makoto训练了一个神经网络来区分不同类型的黄瓜。在操作中，网络摄像头从三个角度捕捉图像。Pi对图像进行分类，然后将它们转发到Linux服务器进行进一步分类。结果触发了传送带和伺服系统，将黄瓜分类到盒子里。

聪明的开始

我们已经看到树莓圆周率的用于一切，所以这并不奇怪，TensorFlow已经到达它。Pi很难跟上机器学习的要求，但是它对于学习基础知识非常有用。