\r\n\r\n
機械学習は、誰もが話題にしているテーマです。その理由は簡単です。これはデータ操作の未来であり、すでにほとんどすべての現代のビジネス環境で使用されている。しかし、Raspberry Piで食べられるのだろうか? Piは動くニューラルネットワークを維持できるのだろうか?Google TensorFlowを使えば、それが可能になります。
Raspberry PiにTensorFlowをインストールする方法と、その使用例を紹介します。
テンソルフローの使い方の例を掘り下げる前に、テンソルフローが実際にどのようなものかを知っておく必要がある。
つまり、TensorFlowはGoogleが開発した学習可能なニューラルネットワークであり、さまざまなタスクを実行することができるのです。ユーザーが管理するデータセットから能動的に学習することで、TensorFlowのニューラルネットワークは、新しいデータが与えられたときに正確な予測を行うことができます。
つまり、テンソルフロー型ニューラルネットワークは、こう主張しているのだ。
詳しくはTensorflowのサンプル一覧をご確認ください。
機械学習という学問を理解するためには、じっくりと勉強することが大切であり、基本的なテンソルフローの使い方は簡単である。テンソルフローによる画像認識のチュートリアルは、Piへのライブラリのインストールをカバーしています。また、テストや基本的な初期画像分類プログラムの実行もカバーしています。
この例では、TensorFlowはすでに学習済みのニューラルネットワークを提供しています。ユーザーは正しいデータの種類を入力するだけで、TensorFlowが画像に何が含まれているかを推測してくれます。TensorFlowの基本的な実装でも、画像を1000クラスに分類することが可能です。驚くほど数字が正しくなる!
しかし、TensorFlowで他に何ができるのでしょうか?
以前、スマートなウェブカメラを作る方法を紹介しましたが、このしゃべる動画分類器は、それをさらにレベルアップさせたものです。
この詳細な記事では、Inception画像分類器と統合するためのハードウェアセットアップとカスタムソフトウェアについて概説しています。サンプルコードでは、TensorFlowをプロジェクトに組み込むことがいかに簡単かを紹介しています(プログラミング言語Pythonの基本に精通していることが条件です)。本稿では、画像認識のプロセスについて詳しく説明します。興味のある分野全般の資料として最適です。
この設定の優れた要素のひとつは、当初は明確ではないかもしれません。
また、一度インストールすれば、インターネットに接続する必要がないことも、多くの人が指摘するメリットです。
これまでの画像認識は、多くの処理時間やインターネット接続に依存していました。 piは常にクラウドに情報を渡すことができず、処理能力にも限りがあります。これは、家庭で使えるスタンドアローンのオフライン物体認識装置というソリューションです。何を見ているのかも教えてくれます。未来はすばらしいと思いませんか?
https://vimeo.com/240635807
自作のスマート(または「マジック」)ミラーは、最高にクールなものです。周りと古いノートパソコンの画面と基本的なDIY用品があれば、初心者におすすめの作品です。Alan Alasdairは、通常のスマートミラーでは満足できないと考え、音声認識用のTensorFlow Magic Mirrorを作りました。
Webベースの音声認識のコストに満足できなかったAlasdairは、オフラインの代替手段としてTensorFlowを使うことにした。TensorFlowで事前に学習させた音声認識モデルを、すでに使用しているAIYツールキットのコードに統合し、プロジェクトにカスタムウェイクワードを追加しました。
Googleは、65,000以上のクラウドソースの単語を収集し、このオープンソースのデータセットは、いくつかの単語を理解するためにニューラルネットワークを訓練しています。
この場合、いくつかの候補が追加されるが、ニューラルネットワークの学習には多くのデータが必要であるという、機械学習ではおなじみの問題が発生する。
何万件ものエントリーを含む独自のデータセットを作成する気がない限り、自由に使えるデータセットしか利用できない。このプロジェクトは、現状でのPi用テンソルフローの限界を示すものです。機能的には十分ですが、Piの計算能力を向上させます。すべての新しい技術がそうであるように、この初期の実装は、スマートホームデバイスの将来を垣間見るものです。
Googleの自動運転車の歴史を考えると、TensorFlowが自律走行に適しているのは当然と言えます。
DeepPiCarは、この種のニューラルネットワークの良い例です。このRaspberry Piロボットは、通常のリモコンとは別に、よりスマートな機能を備えています。GitHubのプロジェクトページで提供されているデータセットで学習させ、意図した軌道に乗るように学習させる。
このプロジェクトは初心者向けではありません。必要なハードウェアは、ほとんどの安価なロボットキットで見つけることができます。ソフトウェアの実装には、もう少し深い知識が必要です。機械学習を取り入れる前に、機械学習についてよく理解しておく必要があります。
TensorFlowのPiへの実装で最も有名なものの1つ、小池誠氏のキュウリ選別機は、今後の展開を予感させるものです。
小規模なサプライヤーにとって、市場ごとに生鮮食品を仕分けることは大きなコストとなります。キュウリをサイズや品質ごとに選別する作業は、これまで手作業でしか行えませんでした。機械による選別は難しく、コストもかかりますが、TensorFlowはカメラを使ってリアルタイムにキュウリを選別することで、この問題を解決しています。
誠は、7000枚以上のキュウリの画像を使って、キュウリの種類を見分けるニューラルネットワークを学習させた。piは画像を分類し、Linuxサーバーに転送してさらに分類する。その結果、ベルトコンベアとサーボシステムが作動し、キュウリは箱に分類される。
Raspberry Roundupが何にでも使われているのを見たことがあるので、TensorFlowがたどり着いたのも不思議ではありません。piは機械学習の要求に追いつくのは難しいですが、基本を学ぶには非常に有効です。