来自52Pi社区的热人投稿~欢迎广大网友投稿至管理员
创客们，今天我来分享一下我在pi上运行tensorflow的经历。这篇帖子比较适合对深度学习有一点点了解的创客，最好用过这类开发包，比如keras，tensorflow等等。如果你是pi 的玩家，并且想做一些时髦的玩意，那可以从这里开始。
首先要感谢将谷歌正式发布的tensorflow1.0进行编译的作者Sam Abrahams，光编译就要花上10多个小时，更不用说编译之前的艰苦摸索，如果喜欢这个可以向他捐赠来维护这个平台。
Tensorflow的安装：
- 准备工作设备：pi3B
操作系统：Raspbian Jessie with PIXEL（2017-03-02）
- 登录编译者的GitHub，按照方法1来进行操作，只要网速稳定，半个小时就可以将tensorflow安装到pi上，如果下载太慢，可以下载我的例子，里面有安装包（后缀whl），放到合适的文件夹里面，然后pip install就可以了。
- 运行例子下载解压到pi上，然后进入pi的terminal，cd进入例子的文件夹，再运行digits_recog. Py。约十几秒后，在terminal上应该显示0.97，说明tensorflow已经可以在pi上使用了。
例子的制作：
可能看到这篇帖子的朋友大多是pi的玩家，对深度学习不是太了解，所以我就讲解一下例子，也当是深度学习技术的入门知识。
digits_recog. py是一个采用CNN方法，来识别手写数字的脚本。有3个主要部分。
- 建立一个空的CNN模型（CNN是一种在机器视觉方面相当好的模型）
- 载入这个模型需要的参数（model文件夹），这些参数是我在速度更快的主机上计算（训练）出来的
- 运用完整的CNN模型，去识别手写的数字（pkl文件），然后再评估识别率（0.97代表识别正确率为97%）
具体可以看文件里面的comment。
训练的过程也需要先建立模型，并且和digits_recog. py中的模型一样，我的例子文件夹里有个train.py文件，你下载下来的model文件夹就是运行这个训练程序后产生的，你可以在你的台式机上跑一下train.py，当然也可以在pi上运行，只不过速度比较慢。还有，脚本运行时会载入tensorflow自带的训练集mnist，里面的东西是50000个手写数字的像素图片，以及这些图片的答案（对应的数字）。如果减少训练集，会导致模型的训练不充分，造成识别率降低。
Mnist还包含了测试用的数据，这些数据当然是训练集所不包含的，但是训练集也很大，所以我精简了一下。做成实际的项目后，也不会一下子运行几万个图片。
建模，训练，识别的整个过程，是用tensorflow这个开发工具来完成的，它就相当于一个python的library。
最后你可以自己写几个数字，然后用picamera录到pi上，运行digits_recog. py，看看准不准。
期间还遇到了一个坑，那就是用jupyter notebook调试代码，会出现莫名的错误，但是在terminal运行.py就没问题。查看了报错，是在加载参数时发生的，各位喜欢用jupyter的朋友要当心了。
在识别的过程中，也可能提示GPU不能使用等等问题，不用去管，等着输出结果就行。
GPU模式是在训练参数的过程中才起作用的，训练的过程非常消耗硬件资源，所以现在都采用了GPU来加速，将来的项目我打算在云服务器上进行训练，如果有兴趣可以去看看这个网站。
类似的项目：
这个自动驾驶玩具车的项目，识别的过程不是在pi上运行的，而是其他主机上运行，再去控制小车，我猜一个是当时还没法在pi上装tensorflow，另一个就是担心pi的性能跟不上。
另一个识别物体的小车项目，是谷歌的工程师发布的，我的这次实验的思路也和他一样，就是将参数文件加载到pi上，然后让pi在当地运行识别程序，不过这个项目的模型和参数都是现成的。类似的还有这个项目，可惜这个项目的参数现在似乎下载不到了。所以我打算自己建立模型和训练，这样也可以根据自己设定的任务灵活调整参数和训练数据。
一些感想：
大家也不必太担心pi的性能不行，因为64位的系统，52pi的牛人们已经试过了，性能提高很多，官方可能不久就要发布。更值得一提的是谷歌这个tensorflow的开发者，也打算为pi定制人工智能的开发工具，到时候软件更容易装，使用更方便。你可以说他们是双赢互利，因为pi的社区聚集了人气和强烈的创造激情，而谷歌则可以提供强大的技术支持。所以，各位追求新奇的创客，又会有很多好玩的东西等着你们。
本人才刚刚开始玩pi，有些讲的不对的地方还请包涵。最后也要感谢52pi社区的牛人们，帮我这个新手解决了一些硬件方面的问题。