設備のマニアどっとこむ

raspberry piでAIを使う

スペックに制限のあるラズパイでも工夫すればAIを使うことはできます。

まずAIライブラリをThonnyなどで使うのがかなりきついのでjupyter notebookを入れます。

これでブラウザでpythonを軽めに？動かすことができます。

sudo apt-get install build-essential python-dev

sudo pip install jupyter

sudo apt-get install libpng12-dev libjpeg8-dev libfreetype6-dev libxft-dev liblapack-dev libatlas-base-dev gfortran g++

インストールが済んだら　jupyter notebookとコマンドを打てば起動します。

しかしそのままではログインできないので password or tokenというところに

token=　以下をコピペして進んでください。

トークンはコマンド打ってすぐのやつです。何個か出てくるので注意！

そこから右上のNEW→pythonで新規作成できるのですが、python2のみになっている場合は
下記コマンドで解決できます。

python3 -m IPython kernelspec install-self

あとはwindowsでもラズパイでも変わりません。

下記コードで以前のこの記事の手書き数字画像の判別ができます。
画像データはフルパスが好ましいですが　home/pi/直下であれば動かせます。
※ちなみに、sklearn、numpyのインポートは必要ですがopenCVはjpg→png変換に使用しているだけで
必須ではありません。


from sklearn import datasets, cross_validation, svm, metrics
import numpy as np
from PIL import Image
import cv2

digits = datasets.load_digits()

im_gray = cv2.imread('test6.jpg')
cv2.imwrite('my_photo.png', im_gray)
label_test = [6]
image = Image.open('my_photo.png').convert('L')
image = image.resize((8, 8) Image.ANTIALIAS)

img = np.asarray(image, dtype=float)
img = np.floor(16 - 16 * (img / 256))


img = img.flatten()
data_train = digits.data

label_train = digits.target
data_test = img

clf = svm.SVC(C=1.0, cache_size=200, class_weight=None, coef0=1.0,
decision_function_shape='ovr', degree=3, gamma='auto', kernel='linear',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
clf2 =data_test.reshape(1,-1)
clf.fit(data_train, label_train)


predict = clf.predict(clf2)

print(data_test)
print(clf2)
print(clf)
print("テストラベル=",label_test)
print("解析結果=",predict)
ac_score = metrics.accuracy_score(label_test, predict)
print("正解率=", ac_score*100, "%")

これでラズパイで手書きデータを判別することができました。
AI関連のライブラリはリソースが必要と思われがちですが、大量のデータのディープラーニングでもやらない限り
結構動いてしまったりします。　今後はラズパイのような小型PCにAIが搭載されるのがトレンドに……
なるのかなあ。


↑こんな本も出てます！

[0回]

Tensorflowで画像分類した話
なかなか使いこなせないでいるTensorflowですが、画像分類をやってみました。

VGG１６という大量にある学習済みモデルを用いて画像を判別。可能性の高いベスト５をAIに選んでもらいました。

コードはこちら↓
from keras.applications.vgg16 import VGG16, preprocess_input, decode_predictions
from keras.preprocessing import image
import numpy as np
import sys
"""
ImageNetで学習済みのVGG16モデルを使って入力画像のクラスを予測する
"""
# 学習済みのVGG16をロード
# 構造とともに学習済みの重みも読み込まれる
model = VGG16(weights='imagenet')
# model.summary()
# 引数で指定した画像ファイルを読み込む
# サイズはVGG16のデフォルトである224x224にリサイズされる
img = image.load_img('C:\\Users\\masashi\\Desktop\\photo.jpg', target_size=(224, 224))
# 読み込んだPIL形式の画像をarrayに変換
x = image.img_to_array(img)
# 3次元テンソル（rows, cols, channels) を
# 4次元テンソル (samples, rows, cols, channels) に変換
# 入力画像は1枚なのでsamples=1でよい
x = np.expand_dims(x, axis=0)
# Top-5のクラスを予測する
# VGG16の1000クラスはdecode_predictions()で文字列に変換される
preds = model.predict(preprocess_input(x))
results = decode_predictions(preds, top=5)[0]
for result in results:
print(result)

例えばこんな犬の画像だと…
```
('n02087394', 'Rhodesian_ridgeback', 0.58250064)
('n02090379', 'redbone', 0.1364721)
('n02099601', 'golden_retriever', 0.058095142)
('n02088466', 'bloodhound', 0.055783514)
('n02106662', 'German_shepherd', 0.03908478)
```
このように犬の種類が出ます。

参考にしたサイトです↓
http://aidiary.hatenablog.com/entry/20170104/1483535144

ラズパイでできればと思ったんですが、全然だめでした…
[0回]
- AI
- 2018/09/23 23:33
- 0
kerasで手書き数字の認識をした話
tensorflowをいじって数週間、kerasというtensowflowのAPIを使って手書き文字が判別できるそうな。　画像ファイルを読み込ませて判別するコードを下記記事を参考に作ってみました。

https://pondad.net/web/2016/12/11/scikit-learn-mnist.html

今回はマイニング用PCでやりました。ラズパイでは厳しいと最初から判断してやめてしまいました。完全にチキン野郎です。きっと手書きデータが重いんじゃないかなって思ったんですけど…

→→なんとかラズパイでも動かせました！！

ちなみにWindows10では簡単に開発環境は整います。

インストールその他は下記本を参照にしました。

おおまかな流れはAnacondaをインストールし、そこからtensowflowその他ライブラリをインストールしていく形です。

Pythonはjupyter Notebookというwebエディターで使っていきます。１５分～２０分で完了しました。やっぱり汎用のOSはいいですね…。

画像は↑これなのですが、webエディターなのでファイルの場所はフルパスを入れたほうがよさそうです。
↓作ったコードはこちら。
from sklearn import datasets, cross_validation, svm, metrics
from tensorflow.python.keras.layers import Dropout
import numpy as np
from PIL import Image
digits = datasets.load_digits()
label_test = [7]
image = Image.open("test7.png").convert('L')
#フルパスの必要あり。convert('L')でデータの白黒を反転させている。

image = image.resize((8, 8), Image.ANTIALIAS)
#８×８の行列にしています。

img = np.asarray(image, dtype=float)
img = np.floor(16 - 16 * (img / 256))
#画像データの整数化？？
img = img.flatten()
data_train = digits.data
label_train = digits.target
data_test = img
#データをｘ、ｙの軸にしてます

clf = svm.SVC(C=1.0, cache_size=200, class_weight=None, coef0=1.0,
decision_function_shape='ovr', degree=3, gamma='auto', kernel='linear',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
#SVCのパラメータです。読み込んだデータを判断する仕方が変わってきます。
#なぜかkernel='linear'にしたらよく当たるようになりました。

clf2 =data_test.reshape(1,-1)
#これ重要。data_test.のままではエラーがでます。

clf.fit(data_train, label_train)
#/機械学習しています。
predict = clf.predict(clf2)
#画像データと比較。判断

print(data_test)
print(clf2)
print(clf)
#データの確認用で出力させています。

print("テストラベル=",label_test)
print("解析結果=",predict)
ac_score = metrics.accuracy_score(label_test, predict)
print("正解率=", ac_score*100, "%")
#判断した数字を出力。そしてlabel_test = [7]とあっているか確認しています。

詳しくは勉強中ですが、珍しく解説をいれました笑
参考にしたブログのコードをそのまま使うと下記のようなエラーが出ます。

Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.

どうも画像データを読み込んだ行列が単独だったらreshape(1, -1) をしてほしいとのことなのでclf2 =data_test.reshape(1,-1)としてます。printで行列を確認すると
```
reshape前
```
```
[0. 0. 1. 2. 3. 2. 1. 0. 0. 0. 7. 8. 7. 9. 9. 0. 0. 0. 0. 0. 0. 7. 3. 0.
0. 0. 0. 0. 3. 9. 0. 0. 0. 0. 0. 0. 9. 2. 0. 0. 0. 0. 0. 6. 6. 0. 0. 0.
0. 0. 0. 3. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]

reshape後
[[0. 0. 1. 2. 3. 2. 1. 0. 0. 0. 7. 8. 7. 9. 9. 0. 0. 0. 0. 0. 0. 7. 3. 0.
0. 0. 0. 0. 3. 9. 0. 0. 0. 0. 0. 0. 9. 2. 0. 0. 0. 0. 0. 6. 6. 0. 0. 0.
0. 0. 0. 3. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]
```
どうもカッコがふたつないといけないのかな？？
調べるとsklearnのバージョンが新しいとこうなってしまうらしいです。

これでなんとかエラーは突破できました。結果として
```
テストラベル= [7]
解析結果= [7]
正解率= 100.0 %

こうでればOKです。ほかにも４を試したりしましたが正解してます。

まあ精度はどうであれ、AIを実感することができました。
tensorflowでは最初から学習データを使うことができます。OpenCVみたいに死ぬほどデータを
用意しなくていいみたいですね。

最近Qiitaみたいにこのブログがなってきましたが、いろんなことやっていきますよ！！
```
[0回]
- AI
- 2018/09/22 23:44
- 0
Raspberry piにtensorflowをインストールした話
以前にRaspberry piにopen CVをインストールして機械学習をしていたのですが、今度はGoogleのガチのAI（？）tensorflowに挑戦してみた。

意外にも参考にできる記事は多く、インストール自体はすぐにできた。

http://dotnsf.blog.jp/archives/1066763997.html

まずはアップデート
```
sudo apt-get update
sudo apt-get install python-pip python-dev

そしてtensorflowのダウンロードとインストール
```
```
wget https://github.com/samjabrahams/tensorflow-on-raspberry-pi/releases/download/v1.1.0/tensorflow-1.1.0-cp27-none-linux_armv7l.whl
sudo pip install tensorflow-1.1.0-cp27-none-linux_armv7l.whl
```
インストールの確認はターミナルからpythonを立ち上げ　import tensorflowで確認できる。
pythonファイルから動作させる場合は、python ファイル名.pyコマンドをおススメする。
※thonnnyからではpython3なのでインポートエラーになってしまった。

サンプルファイルはいろいろあるのだが効果が？？なものが多い

import tensorflow as tf
x = tf.Variable(0., name='x')
func = (x - 1)**2
optimizer = tf.train.GradientDescentOptimizer( learning_rate=0.1 )
train_step = optimizer.minimize(func)
with tf.Session() as sess:
　　sess.run(tf.global_variables_initializer())
　　for i in range(400):
　　 sess.run(train_step)
print('x = ', sess.run(x))

このコードでは(x-1)²を最小化する値を求めるのだが、
for i in range(400)の値を小さくすると１から遠ざかっていく…
数字を変えていくとtrain_stepの回数が変わるので１に近づく。

なんとなく最適解を求めている雰囲気は伝わるだろうか。

これぐらいならraspberry piでも問題なくできるのでいろいろと試していきたい。
とりあえずはGPUを積んだマイニングリグでやりますが…
[0回]
- AI
- 2018/09/17 18:00
- 0
３Dプリンターでマイニング用マザーボードのスペーサー作製

マイニングリグに普通のスチールラックを使うとどうもマザーボードとの絶縁性が気になる…
基板に金属部分が接触したら大惨事になりそうな予感。

本当はこういうのをつけるべきなのだが、今回３Dプリンターでなんとかしてみた。

↑スペーサー



マザーボードの四隅にしっくりきそうなものを作ってみた。

裏に両面テープをつけるとがっちりはまりました。
今までは下に絶縁シートみたいなものをつけていたのですっきりしました。

やはりこういう時、オーダーメイドで作れる３Dプリンターは便利ですね！！

[0回]