上週 TensorFlow 1.0 的釋出使之成為最有前景的深度學習框架，也在中國 AI 社群中掀起了學習 TensorFlow 的熱潮，不過光跑例子怎能脫穎而出？本文是資料科學公司（Silicon Valley Data Science）的資料工程師 Matt Rubashkin 的一篇實戰派文章，介紹了他如何創造性的將深度學習與物聯網結合起來解決一個實際問題的思路和過程，非常具有啟發性。

SVDS（Silicon Valley Data Science）曾使用過實時、公開的資料來優化對加州火車到達時間的預測。但是，加州火車的到站時間資料不可靠，因此難以準確預測。我們使用 Raspberry Pi 攝像頭和 USB 麥克風，能夠偵測到火車的經過及其速度和方向。當在 Mountain View 辦公室裡裝配了一臺新的 Raspberry Pi 時，我們遇到了一個棘手的問題：Pi 不單單偵測到了加州火車（true positive），也偵測到了太平洋聯合貨運的火車和 VTA 輕軌（false positive）。為了確保偵測到的是加州火車的延遲，我們不得不對不同的火車做個靠譜的分類。

傳統的背景影象分類技術是遠遠不夠的，因為我們在整個加州火車系統的鐵軌上——包括不同的距離，不同的方向，不同的高度——放滿了 Raspberry Pi。而且我們的操作時間也很有限，沒有足夠的時間來為系統裡每一個 RaspberryPi 手動選擇模式和特徵。

用 TensorFlow 解圍

幸好是在2016年遇到這個影象分類問題，因為在這一年裡很多深度學習相關的影象識別技術的程式碼被公開了。我們選擇使用 Google 的 TensorFlow 卷積神經網路，因為它有簡單易用的 Python 庫和豐富的線上文件。我拜讀過 Pete Warden 關於 TensorFlow 的部落格——TensorFlow for Poets（

我是從 TensorFlow 教程頁面中花的識別教程開始的。我使用命令列介面來分類資料集中的圖片，也包括 Van Gough 的向日葵這樣的定製圖片。

現在我有了用 TensorFlow 來建立影象分類器的經驗，便希望建立一個穩健無偏的影象識別模型用來識別火車。雖然之前 Raspberry Pi 拍攝到的圖片可以用於訓練模型，但我還是選擇了更大更多樣的資料集。我也將小汽車和卡車包括進模型中，因為他們也可能在某些位置上經過 Raspberry Pi 的偵測點。為了得到這個汽車分類器的訓練資料集，我用 Google 找了1000張圖片，含：

• 加州火車
• 貨運火車
• 輕軌
• 卡車
• 小汽車

測試及配置模型

對模型訓練了一個通宵，第二天一早，我回到辦公桌來檢視模型執行得怎麼樣。首先我測試了不包含在訓練集裡圖片，並驚奇的發現，分類器似乎一直可以挑出正確的分類。這裡麵包括從 Google 上找到的訓練集的圖片，也包括從 Raspberry Pi 採集到的圖片。

我在 Raspberry Pi 上執行圖片分類器，來保證這套裝置使用者是可以支付得起的。此外，由於不能保證網路連線的速度，我必須直接在裝置上執行分類器以避免把圖片傳送到中心伺服器所造成的延遲。

Raspberry Pi3 馬力（功率）充足，可以直接在裝置上進行流處理，因此我們只需要用網路傳送小容量的，處理過的資料流，並且這套裝置也便宜。這個感測器整體的硬體成本是130美金，所有的程式碼都是用的開源庫。我用 JupyterHub 對其進行了測試，以便控制多個位置上的 Raspberry Pi 裝置。有了一個正常執行的車輛分類集，接下來我把模型載入到 Raspberry Pi 上，並在視聽流架構下實現了它。

為了能夠在 Raspberry Pi 32Bit ARM晶片上編譯，我使用的是來自SamAbraham 的 Pi-TensorFlow enthusiasts 小社群的指引（https://github.com/samjabrahams/tensorflow-on-raspberry-pi），同時也與 Pete Warden，Google 的 TensorFlow 團隊進行了溝通。

解決 TensorFlow 在 Raspberry Pi 上出現的問題

雖然有好的文件記錄如何在 Android 和其他小型計算裝置上安裝 TensorFlow，但大多數的例子都是單張圖片識別或批處理，而非流媒體圖片識別。在Pi上單張圖片可以簡單穩健地給出分數，如下面這個成功的分類所示：

但是，把85MB的模型載入到記憶體裡需要太長的時間了，因此需要把分類器圖表載入到記憶體裡。分類器圖表載入到記憶體之後，Raspberry Pi 擁有總計1G的記憶體，在我們定製的火車偵測 Python 應用中，有足夠的計算資源來處理連續執行的攝像頭和麥克風。

即便如此，用 TensorFlow 分析 PiCamera 拍攝到的每一張圖片也是不可行的，因為這樣 CPU 的使用率最終將達到100%，導致 Raspberry Pi 系統過熱，因此只有運動物體的圖片傳送給了 Pi 上的圖片分類器，並用 TensorFlow 識別不同型別車輛。

結論

如果你對使用物聯網裝置做實時影象分類感興趣，請從這裡開始：

原文： TensorFlow Image Recognition on a Raspberry Pi
作者： Matthew Rubashkin，目前是資料科學公司 Silicon Valley Data Science 的資料工程師，並且是UC Berkeley 博士，擁有光學物理和生物醫學研究的背景，並且在軟體開發，資料庫工程和資料分析方面擁有廣泛的經驗。
本文來源AI100公眾號（rgznai100），授權CSDN釋出。
歡迎人工智慧領域技術投稿、約稿、給文章糾錯，請傳送郵件至[email protected]

SDCC 2017·上海站將於2017年3月17-19日登陸申城，三大技術峰會24位嘉賓，匯聚國內一線的網際網路公司大牛，暢談運維、資料庫和架構的熱門話題和技術熱點，精益運維發起人&優維科技CEO王津銀、MongoDB 大中華區首席架構師唐建法和華為軟體API開放平臺架構師李林鋒等親臨現場。3月5日前門票八折優惠中，5人以上團購立減400元，詳情點選註冊參會