最近看到关于STM32cubemx支持机器学习的例子，感觉很新奇，于是拿来试试，stm32cubemx是基于stm公司的HAL库，新手学起来很是方便，但是不推荐想真正搞懂stm的人去学，因为它会自己配置好gpio,各个功能引脚，少学这些步骤不是真正学会stm32，还是老老实实去用库函数吧。我是拿来玩玩的。
言归正传，搭建python环境废了很大的劲，我的模型因为只是一个demo,所以很简陋，就是对电压进行分级，比如
一级 -> v>=8.0
二级 -> 7.8<=v<8.0
三级 -> v<7.8
先手动输入一些数据进行训练，例如
0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 2 | 0 | 0 | 1 | 3 | 0 | 0 | 1 | 4 | 0 | 0 | 1 | 7.61 | 0 | 0 | 1 | 7.62 | 0 | 0 | 1 | 7.63 | 0 | 0 | 1 | 7.64 | 0 | 0 | 1 | 7.65 | 0 | 0 | 1 | 7.66 | 0 | 0 | 1 | 7.75 | 0 | 0 | 1 | 7.78 | 0 | 0 | 1 | 7.71 | 0 | 0 | 1 | 7.72 | 0 | 0 | 1 | 7.8 | 0 | 1 | 0 | 7.83 | 0 | 1 | 0 | 7.92 | 0 | 1 | 0 | 7.85 | 0 | 1 | 0 | 7.81 | 0 | 1 | 0 | 7.81 | 0 | 1 | 0 | 7.84 | 0 | 1 | 0 | 7.89 | 0 | 1 | 0 | 7.98 | 0 | 1 | 0 | 7.88 | 0 | 1 | 0 | 8.02 | 1 | 0 | 0 | 8.12 | 1 | 0 | 0 | 8.05 | 1 | 0 | 0 | 8.15 | 1 | 0 | 0 | 8.11 | 1 | 0 | 0 | 8.01 | 1 | 0 | 0 | 8.22 | 1 | 0 | 0 | 8.12 | 1 | 0 | 0 | 8.14 | 1 | 0 | 0 | 8.07 | 1 | 0 | 0 |
经过训练后，输入对应范围的数据，就会有不同的输出，比如，我输入表格中没有的数据是0.5 它会输出1，这是正确的
需要说明的是，我的python程序中并没有类似 If(v<7.8) 输出1 以及其他范围输出2或3，这种逻辑，没有在训练数据中的数据该返回什么完全是它自己判断的，我认为，在某种意义上，也是拥有了某种“智能”的表示。但是，我还是搞不懂，它的意义到底是什么，就像上面说的，明明写几个if()else()就能搞定的问题，为什么要这么麻烦
以上，我是接触了机器学习几天的时间，所以还不是特别了解机器学习的内涵，请大佬批评指正。下面是模型以及程序代码
模型
'''
电源等级检测测试
训练模型阈值
一级 -> v>=8.0
二级 -> 7.8<=v<8.0
三级 -> v<7.8
输入层 -> 隐藏层 -> 输出层
'''
'''
电源等级检测测试
训练模型阈值
一级 -> v>=8.0
二级 -> 7.8<=v<8.0
三级 -> v<7.8
输入层 -> 隐藏层 -> 输出层
'''
#导入工具包
import tensorflow as tf
import pandas as pd
import numpy as np
#读取数据
data = pd.read_csv(r'e:/data/voltage.csv', sep=',', header=None)
voltage = data.iloc[:,0]
level = data.iloc[:,1:]
level.astype(int)
#建立模型
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=20, activation='relu', input_shape=(1,)))
model.add(tf.keras.layers.Dense(units=10, activation='relu'))
model.add(tf.keras.layers.Dense(units=3, activation='softmax'))
model.summary()
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=[tf.keras.metrics.mse])
history = model.fit(x=voltage, y=level, epochs=40000)
print(model.evaluate(voltage, level))
#保存模型
model.save('level_check.h5')
程序
'''
电源等级检测测试
训练模型阈值
一级 -> v>=8.0
二级 -> 7.8<=v<8.0
三级 -> v<7.8
'''
#导入工具包
import tensorflow as tf
import numpy as np
import time
import datetime
#输出函数 输出更加直观
def level_output(level=np.zeros(3)):
for i in range(level.shape[1]):
if level[0,i] == 1.0:
return i+1
#测试电压
test_v = 7.8
t1 = time.time()
#导入模型计算
load_model = tf.keras.models.load_model(r'C:\Users\Administrator\level_check.h5')
out = load_model.predict([test_v])
print(out)
cal_level = np.around(out).astype(int)
t2 = time.time()
#输出能源等级
level = level_output(cal_level)
print(level)
print((int(t2*1000)-int(t1*1000)))
#转换模型为tf lite格式 不量化
converter = tf.lite.TFLiteConverter.from_keras_model(load_model)
tflite_model = converter.convert()
#保存到磁盘
open("level_check.tflite", "wb").write(tflite_model)
|
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
淘帖
顶
踩
