本項(xiàng)目探討如何將機(jī)器學(xué)習(xí)（Machine learning）應(yīng)用到物聯(lián)網(wǎng)（IoT，Internet of Things）中。我們將使用 Android Things 作為我們的物聯(lián)網(wǎng)平臺(tái)，并且采用 Google TensorFlow 作為我們的機(jī)器學(xué)習(xí)引擎。如今，機(jī)器學(xué)習(xí)與物聯(lián)網(wǎng)都是技術(shù)話題中的大熱門。

下面是維基百科上對(duì)機(jī)器學(xué)習(xí)的一個(gè)簡單定義：

機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)中的一個(gè)領(lǐng)域，它使計(jì)算機(jī)系統(tǒng)能夠利用數(shù)據(jù)進(jìn)行 “學(xué)習(xí)”（即逐步提高特定任務(wù)的性能），而不需要進(jìn)行顯式編程（Explicitly programmed）。

換句話說，在進(jìn)行訓(xùn)練步驟以后，系統(tǒng)就可以預(yù)測結(jié)果（即使這不是專門為這些結(jié)果進(jìn)行編程的）。另一方面，我們都了解物聯(lián)網(wǎng)以及連接設(shè)備的概念。最有前途的話題之一便是如何將機(jī)器學(xué)習(xí)應(yīng)用于物聯(lián)網(wǎng)之中，以構(gòu)建能夠 “學(xué)習(xí)” 的專家系統(tǒng)。此外，該系統(tǒng)會(huì)運(yùn)用這些知識(shí)來控制和管理實(shí)物。

下面列舉一些應(yīng)用到機(jī)器學(xué)習(xí)，以及物聯(lián)網(wǎng)能產(chǎn)生重要價(jià)值的領(lǐng)域：

• 預(yù)測維護(hù)（Predictive maintenance）中的工業(yè)物聯(lián)網(wǎng)（IIoT，Industrial IoT）。

• 在消費(fèi)者物聯(lián)網(wǎng)（Consumer IoT）中，機(jī)器學(xué)習(xí)可以使設(shè)備變得更加智能化，從而適應(yīng)我們的習(xí)慣。

在本教程中，我們將探索如何使用 Android Things 和 TensorFlow 將機(jī)器學(xué)習(xí)應(yīng)用到物聯(lián)網(wǎng)中。這一 Android Things 物聯(lián)網(wǎng)項(xiàng)目背后的基本思想就是，探索如何構(gòu)建一個(gè)能夠識(shí)別一些基本形狀（比如箭頭）并被控制的機(jī)器人小車（Robot car）。我們已經(jīng)介紹過如何使用 Android Things 構(gòu)建機(jī)器人小車，我建議您在開始此項(xiàng)目之前先閱讀那篇教程。

本次機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)項(xiàng)目主要涵蓋以下主題：

• 如何使用 Docker 配置 TensorFlow 環(huán)境

• 如何訓(xùn)練 TensorFlow 系統(tǒng)

• 如何集成 TensorFlow 與 Android Things

• 如何使用 TensorFlow 輸出結(jié)果來控制機(jī)器人小車

本項(xiàng)目衍生自 Android Things TensorFlow 圖像分類器。

我們開始吧！

如何在 Tensorflow 中創(chuàng)建一個(gè)圖像分類器

在開始之前，我們有必要先安裝并配置好 TensorFlow 環(huán)境。我并非機(jī)器學(xué)習(xí)專家，所以我需要找一些速成的東西并準(zhǔn)備好使用，以便我們可以構(gòu)建 TensorFlow 圖像分類器。因此，我們可以使用 Docker 來運(yùn)行一個(gè)搭載了 TensorFlow 的映像。照著以下步驟進(jìn)行：

1. 克隆 TensorFlow 倉庫：

gitclonehttps://github.com/tensorflow/tensorflow.git
cd/tensorflow
gitcheckoutv1.5.0

2. 創(chuàng)建一個(gè)目錄（/tf-data），該目錄將保存我們?cè)陧?xiàng)目中需要用到的所有文件。

3. 運(yùn)行 Docker：

dockerrun-it\--volume/tf-data:/tf-data\--volume/tensorflow:/tensorflow\
--workdir/tensorflowtensorflow/tensorflow:1.5.0bash

使用這些命令，我們就可以運(yùn)行一個(gè)交互式 TensorFlow 環(huán)境并增加（Mount）一些我們將在項(xiàng)目中使用到的目錄。

如何訓(xùn)練 TensorFlow

在 Android Things 系統(tǒng)能夠識(shí)別圖像之前，我們有必要先訓(xùn)練 TensorFlow 引擎，以構(gòu)建其模型。以此為由，收集一些圖片是有必要的。如前所述，我們希望使用箭頭來控制 Android Things 機(jī)器人小車 —— 所以我們必須收集至少四種類型的箭頭：

• 向上箭頭

• 向下箭頭

• 左箭頭

• 右箭頭

為訓(xùn)練該系統(tǒng)，我們有必要對(duì)這四種不同的圖像類別創(chuàng)建一個(gè)“知識(shí)庫”。在 /tf-data 中一個(gè)名為 images 的目錄下創(chuàng)建四個(gè)目錄，命名如下：

• up-arrow

• down-arrow

• left-arrow

• right-arrow

現(xiàn)在是時(shí)候去搜集圖像資源了。我使用的是 Google 圖片搜索，您也可以使用其他方法進(jìn)行搜集。為了簡化圖片下載過程，您應(yīng)該安裝 Chrome 插件，它能夠一鍵下載所有圖片?？蓜e忘了，您下載的圖像越多，其訓(xùn)練過程（Training process）越好（即使創(chuàng)建模型的時(shí)間可能會(huì)有所增加）。

打開瀏覽器，開始查找以下四類圖像：

每個(gè)類別我分別下載了 80 張圖。我并不關(guān)心圖片的擴(kuò)展。

一旦所有類別都有其圖像，請(qǐng)按照以下步驟操作（在 Docker 界面中）：

python/tensorflow/examples/image_retraining/retrain.py\
--bottleneck_dir=tf_files/bottlenecks\
--how_many_training_steps=4000\
--output_graph=/tf-data/retrained_graph.pb\
--output_labels=/tf-data/retrained_labels.txt\
--image_dir=/tf-data/images

這操作可能需要花費(fèi)一些時(shí)間，所以要耐心等待。最后，在你的文件夾 /tf-data 中應(yīng)有兩個(gè)文件：

1. retrained_graph.pb

2. retrained_labels.txt

第一個(gè)文件包含我們的模型，這是 TensorFlow 訓(xùn)練過程的結(jié)果。而第二個(gè)文件則包含了與我們的四個(gè)圖像類別相關(guān)的標(biāo)簽。

如何測試 Tensorflow 模型

如果你想測試模型，以檢查一切是否正常，你可以使用以下命令：

pythonscripts.label_image\
--graph=/tf-data/retrained-graph.pb\
--image=/tf-data/images/[category]/[image_name.jpg]

優(yōu)化模型

在能夠使用這個(gè) TensorFlow 模型到 Android Things 項(xiàng)目中之前，我們有必要優(yōu)化它：

python/tensorflow/python/tools/optimize_for_inference.py\--input=/tf-data/retrained_graph.pb\--output=/tf-data/opt_graph.pb\--input_names="Mul"\--output_names="final_result"

這就是我們的模型。我們將使用此模型將機(jī)器學(xué)習(xí)應(yīng)用于物聯(lián)網(wǎng)（即集成 Android Things 與 TensorFlow）。其目標(biāo)是為 Android Things 應(yīng)用提供智能識(shí)別箭頭圖像，并作出相應(yīng)反應(yīng)，從而控制機(jī)器人小車的方向。

如果您想了解更多關(guān)于 TensorFlow 的細(xì)節(jié)，以及如何生成模型，請(qǐng)查看官方文檔和這個(gè)教程。

如何使用 Android Things 和 TensorFlow 將機(jī)器學(xué)習(xí)應(yīng)用到物聯(lián)網(wǎng)中

一旦 TensorFlow 數(shù)據(jù)模型準(zhǔn)備就緒，我們就可以進(jìn)入下一步：如何集成 Android Things 與 TensorFlow。為達(dá)成這一目的，我們可以將此任務(wù)分為兩步：

1. 硬件部分，我們將電機(jī)和其他外圍設(shè)備（Peripheral）連接到 Android Things 板上

2. 實(shí)現(xiàn)應(yīng)用程序

Android Things 原理圖

在深入探討如何連接外圍設(shè)備之前，我們先看看下面這個(gè) Android Things 項(xiàng)目中使用的組件列表：

1. Android Things 板（樹莓派 3，Raspberry Pi 3）

2. 樹莓派相機(jī)

3. 一個(gè) LED 燈

4. LN298N 雙H橋（用以控制電機(jī)）

5. 帶兩個(gè)輪子的機(jī)器人小車底盤

我不在此介紹如何使用 Android Things 控制電機(jī)，因?yàn)槲覀円呀?jīng)在之前的文章中介紹過這一點(diǎn)。

以下是原理圖：

上圖中，相機(jī)組件并未表現(xiàn)出來。其最終的結(jié)果如下：

基于 TensorFlow 實(shí)現(xiàn) Android Things App

最后一步便是實(shí)現(xiàn) Android Things 應(yīng)用程序。為此，我們可以重用 GitHub 上名為 TensorFlow 圖像分類器示例的示例項(xiàng)目。在開始之前，先克隆 GitHub 倉庫，以便您可以修改源代碼。

該 Android Things 應(yīng)用與原來的應(yīng)用有所不同，在于：

1. 它不使用按鈕來啟動(dòng)相機(jī)捕捉圖像

2. 它使用不同的模型

3. 它使用一個(gè)閃爍的 LED 進(jìn)行通知，攝像機(jī)在 LED 停止閃爍后拍攝照片

4. 它在 TensorFlow 檢測到圖像（箭頭）時(shí)控制電機(jī)。此外，在從步驟 3 開始循環(huán)之前，先打開電機(jī) 5 秒

要處理閃爍的 LED，請(qǐng)使用以下代碼：

privateHandlerblinkingHandler=newHandler();privateRunnableblinkingLED=newRunnable(){
@Overridepublicvoidrun(){
try{
//Ifthemotorisrunningtheappdoesnotstartthecam
if(mc.getStatus())
return;
Log.d(TAG,"Blinking..");
mReadyLED.setValue(!mReadyLED.getValue());
if(currentValue<=?NUM_OF_TIMES)?{
???????currentValue++;
???????blinkingHandler.postDelayed(blinkingLED,?
???????????????????????BLINKING_INTERVAL_MS);
?????}
?????else?{
??????mReadyLED.setValue(false);
??????currentValue?=?0;
??????mBackgroundHandler.post(mBackgroundClickHandler);
?????}
???}?catch?(IOException?e)?{
?????e.printStackTrace();
???}
??}};

當(dāng) LED 停止閃爍時(shí)，應(yīng)用程序?qū)⒉东@圖像。

現(xiàn)在有必要關(guān)注如何根據(jù)檢測到的圖像來控制電機(jī)。修改方法如下：

@OverridepublicvoidonImageAvailable(ImageReaderreader){
finalBitmapbitmap;
try(Imageimage=reader.acquireNextImage()){
bitmap=mImagePreprocessor.preprocessImage(image);
}
finalListresults=
mTensorFlowClassifier.doRecognize(bitmap);
Log.d(TAG,
"GotthefollowingresultsfromTensorflow:"+results);
//Checktheresult
if(results==null||results.size()==0){
Log.d(TAG,"Nocommand..");
blinkingHandler.post(blinkingLED);
return;
}
Classifier.Recognitionrec=results.get(0);
Floatconfidence=rec.getConfidence();
Log.d(TAG,"Confidence"+confidence.floatValue());
if(confidence.floatValue()

	在這種方法中，當(dāng) TensorFlow 返回匹配捕獲圖像的可能標(biāo)簽后，應(yīng)用程序會(huì)將結(jié)果與可能的方向進(jìn)行比較，從而控制電機(jī)。

	最后，是時(shí)候使用在剛開始時(shí)創(chuàng)建的模型了?？截?assets 文件夾下的 opt_graph.pb 與 reatrained_labels.txt 文件，并替換現(xiàn)有文件。

	打開 Helper.java 并修改以下幾行：
publicstaticfinalintIMAGE_SIZE=299;privatestaticfinalintIMAGE_MEAN=128;privatestaticfinalfloatIMAGE_STD=128;privatestaticfinalStringLABELS_FILE="retrained_labels.txt";publicstaticfinalStringMODEL_FILE="file:///android_asset/opt_graph.pb";publicstaticfinalStringINPUT_NAME="Mul";publicstaticfinalStringOUTPUT_OPERATION="output";publicstaticfinalStringOUTPUT_NAME="final_result";

	運(yùn)行應(yīng)用程序，試試向相機(jī)展示箭頭，并檢查結(jié)果。機(jī)器人小車必須按照所示的箭頭進(jìn)行移動(dòng)。

	小結(jié)

	在本教程的最后，我們介紹了如何運(yùn)用 Android Things 與 TensorFlow 將機(jī)器學(xué)習(xí)應(yīng)用到物聯(lián)網(wǎng)中。我們可以使用圖像控制機(jī)器人小車，并根據(jù)顯示的圖像移動(dòng)機(jī)器人小車。