共计 1629 个字符，预计需要花费 5 分钟才能阅读完成。
前言
通过前几篇的致力，咱们把支流的几个 AI 框架都装置了一下，波及了太多的代码，略显干燥。这篇咱们试着在这根底上，做一些乏味的 AI 利用，并赶一波时尚全程采纳无代码开发。
当初建设人工智能利用最大的挑战在于几个方面：
- 数据采集与标注须要花大量的工夫和人力；
- 模型的训练工夫很长，算力老本也高；
- 模型泛化能力很弱，换一个场景就须要更换模型；
- 根底算法艰涩难懂，科研和学校仍是主力军；
- 很多畛域还没有成熟的商业化解决方案。
随着技术的一直倒退，人工智能应该成为某一零碎的底层技术，在降本增效方面施展更大的价值。AI 应该像水和电那样，成为任何人都随开随用的一种资源。这里介绍一个网站，就有点这个意思了。
Teachable Machine
这个网站提供了一个简略的人工智能训练平台，次要以监督学习为主，提供了图像分类，声音分类和姿势辨认三种类型的 AI 利用。能够将训练好的模型，以 Tensorflow，Tensorflow.js 或 Tensorflow Lite 三种模式来保留，这样咱们能够很不便的将其部署到手机端或是树莓派上。
https://teachablemachine.with…
训练模型分为三个步骤：采集数据，训练模型，导出模型。
1. 新建我的项目
咱们筹备先做一个手势辨认的利用，新建一个图像分类我的项目，再抉择 Image Project
2. 采集数据
能够通过上传图像或是摄像头的形式来采集图像，填入分类的类别名称，比方 one。
用摄像头会比拟不便，按住 Hold to Record 按钮就会记录，还能够抉择帧率。录制过程中，能够随时删除一些不适宜的样本，也能够反复录制，减少样本多样性。
而后顺次加第二个类别，第三个类别 … 始终到 ten，共十个无效类别。这时候记得肯定要加一个 nothing，作为排除项。
Tip:
要留神每个类别的图像数量尽量放弃差不多的程度上，防止造成样本不均衡。
3. 训练模型
填入 Epochs，默认是 50，只有没有过拟合，能够依据状况改大些，进步准确率；
Batch Size，默认是 16，太小的话不容易收敛，太大的话容易欠拟合。显卡的显存足够的话，我比拟科学 32；
Learning Rate，学习率是每次梯度降落更新的幅度，过大容易震荡，过小影响模型收敛速度，默认 0.001。
还能够点击 Under the hood，来查看整个训练过程中的曲线，有点 tensorboard 的滋味了。
最初还能计算每个类别的准确率和混同矩阵，完满！
Tip:
训练中记得不要切换标签，放弃 tab 始终处于开启状态，防止浏览器优化后盾影响训练模型。
4. 验证模型
能够在训练完结后，从新用摄像头来验证分类的后果，列表里会输入模型的预测概率，十分直观好用。
你能够及时对谬误的类别，再补充一些样本，进步分类的准确率。
5. 导出模型
点击 Export Model 按钮，会弹出一个对话框，咱们这里抉择 Tensorflow Lite 模型，还能够抉择导出的精度类型，Floating point，Quantized 或 EdgeTPU。
点击 Download my model 下载模型按钮，过一段时间，网站就会把转换好的模型打包成 converted_tflite.zip 压缩文件。外面蕴含两个文件，model_unquant.tflite 是模型文件，labels.txt 是分类标签文件。
这两个文件是不是有点眼生，对了，就是咱们上一篇 tensorflow lite 利用里输出的两个参数。那让咱们上次的程序间接跑一下看看成果。
部署到树莓派
酷！！！
难得的是，这回一行代码没写，就跑出了一个手势辨认的 AI 利用。略微扩大一下，比方训练一个火影忍者里的结印手势，而后依据分类后果，后端再连贯一个 IFFFT 利用，能够很有典礼感地关上你的智能门锁。
也能够很容易的做到挥一挥手就关上空调，打个响指就灭一盏卧室的台灯，更多这种中二，又乏味的智能家庭利用，就留给你们的想象力了。
下一篇预报
咱们将在树莓派上。
部署一下 intel 的神经计算棒，
进一步的晋升推理速度，
敬请期待 …