Welcome to BC.Wang's blog

AI学习笔记1-Tensorflow的GAN

2017-07-10

BCWang

AI学习

Python GAN AI NeuralNetwork

AI.Learning.CodeNotes

来自我的github项目：https://github.com/B-C-WANG/AI-Storage/tree/master/AI.Learning/AI.Learning.Notes.I 对现成的代码进行注释理解。
dcgan_mnist.py

from https://github.com/roatienza/Deep-Learning-Experiments/blob/master/Experiments/Tensorflow/GAN/dcgan_mnist.py

discriminator, self.D: 鉴别器
input: 28 x 28 x 1, depth = 1
output: 10 x 10 x 1, depth = 64
structure:

layer	output_shape
input	(None, 28, 28, 1)
conv2d	(None, 14, 14, 64)
dropout	-
conv2d	(None, 7, 7, 128)
dropout	-
cond2d	(None, 4, 4, 256)
dropout	-
conv2d	(None, 4, 4, 512)
dropout	-
flatten	(None, 8192)
dense	(None, 1)
activation	-

generator, self.G: 生成器

input: 100
output: 28 x 28 x 1
structure:

layer	output_shape
input	(None,100)
dense	(None, 12544)
batch_normallization	-
activation	-
reshape	(None, 7, 7, 256)
dropout	-
upSampling	(None, 14, 14, 256)
deconv2d	(None, 14, 14, 128)
batch_normalization	-
activation	-
upSampling	(None, 28, 28, 128)
deconv2d	(None, 28, 28, 64)
batch_normalization	-
activation	-
deconv2d	(None, 28, 28, 32)
batch_normalization	-
activation	-
deconv2d	(None, 28, 28, 1)
activation	-

discriminator_model, self.DM, 鉴别模型

based on self.D
optimizer: RMSprop
loss: binary_crossentropy

adversarial_model, self.AM 对抗模型:

based on self.G and self.D
optimizer: RMSprop
loss: binary_crossentropy

鉴别

随机获取batch_size大小原始MNIST的image_train数据，shape=[batch_size, 100]
获取batch_size大小的噪声数据(随机数范围-1.0~1.0)，shape=[batch_size, 100]
用生成模型将噪声数据转变为image数据，得到image_fake
组合噪声和原始数据，各占一半
生成label数据，前一半全为1（对应原始minst数据），后一半全为0（对应噪声生成的假数据）。
用DM进行训练（即训练权重，使其能够将原始和生成的假数据分开，这是鉴别模型）

对抗

生成全1的label数据（对应原始真实图片）
生成噪声数据[batch_size, 100]
用AM模型训练，先用noise生成假图片数据，然后再鉴别，调整权重（此时生成和鉴别模型的权重是统一训练的，选用一个优化器），使鉴别器最终能够得到1。
注意这里的鉴别器和上面的鉴别器是一样的，或权重相同的，如果不同，则模型独立开来，达不到对抗的目的，由于上面的鉴别器致力于训练权重分开真假数据，而下面的鉴别器又致力于训练权重使随机数据能够得到和真实数据相同的标签（标签1），因而相互对抗，互相增强。最终使生成的数据能够接近真实数据

可视化

灌入随机数据到生成模型中，生成最终的图片

总结思路

将真实图像数据和随机数经过生成器生成的虚假数据选用不同标签训练鉴别器。将生成器和鉴别器连在一起，训练使其将随机数生成的虚假图像数据能够辨别为1.

遇到的问题

为什么要将生成器和鉴别器分开，直接训练生成器使其能够生成鉴别器认为是1的图片不就行了，这样训练可能也会使鉴别器中的权重受影响————直接生成虚假图片后很难看出其真实性，所以需要加上鉴别器鉴别，才能计算误差梯度传播，可能只改变生成器的权重要更好一些。
生成器的意义————它实际上就是一个生成图片数据的算法，你可以用其他生成的数据算法代替，但是神经网络在此是很好用的，它需要一个100维度的随机数数据，然后用权重将其转化为虚假图片数据，这里面的权重（也包括偏差），就是重要的信息。你之后生成图片就只需要给100个随机数就可以了。（更高级的算法可以给语义，然后生成图片）

EOF:)

Read All

利用nodemcu以及Python进行wifi的局域网远程温度测量

2017-07-01

BCWang

IOT物联网

物联网硬件
IOT.NodeMcu.Temperature
- 来自我的github项目： https://github.com/B-C-WANG/IOT/tree/master/IOT.Nodemcu/Nodemcu.Temperature
- 实现了利用nodemcu以及Python数据处理进行的wifi的局域网远程温度测量
准备
- 采用传感器DS18B20模块进行温度测定，（可以自选其他传感器模块）
- 利用nodemcu连接wifi，并作为服务器使用，服务器更新温度数据至网页。作为服务器使用时，nodemcu会提供一个ip，在电脑端局域网访问此ip，获得温度数据数据
- 利用Python自动获取温度数据，并利用matplotlib模块进行动态图处理，实现实时+作图检测
连接

温度模块的VCC端接在nodemcu的3V3上，总线端接到pin9（即D9）上，有些板子是接在RX上（可以自行设置）

代码
- 将init.lua代码烧写到nodemcu中，由于init.lua是开机即执行，因而在测试时，推荐在最后一行加上file.remove(“init.lua”)，避免发生每次开机遇到问题重复执行init.lua陷入死循环的情况
- init.lua中：
- 首先设置了wifi.station模式，作为“服务器”，需要提供wifi ssid和key，一旦连接上，打印IP地址，之后就可以让其他处于同一局域网的设备访问
- 之后进行一些协议相关的设置，并处理温度数据
- 用client:send()对服务器发送内容，将直接显示在网页上，可使用html语言
- get_data.py中：
- 首先用urllib获取nodemcu创建的网页的内容，运行时在我的电脑上报了错，但错误内容正好就是温度数据，所以获取错误信息作为得到的数据
- 之后利用matplotlib创建一个动态可视化的图，需要建立一个以yield返回的函数，之后animation.FuncAnimation内需要yield的数值进行更新
- 网页效果：
- 最终的动态效果（这里采用4张静态图代替动态图）
Read All
电子秤的开源改造

2017-06-28

BCWang

IOT物联网

物联网硬件
Arduino.ElectronicBalance
- 来自我的github项目：https://github.com/B-C-WANG/EMB.Arduino/tree/master/EMB.Arduino.ElectronicBalance
  电子秤的开源改造
  1. 网购一个简单的手持式电子秤，这里用的是淘宝上的一个量程200g，精度0.01g，售价为20的。主要是用里面已经封装并调试好了的应变片，因为如果自己去贴应变片很大概率不成功
  2. 购买一个HX711重量传感器转换模块
  3. 进行拆解，拆解出应变部分，并把红黑绿白四个颜色的线牵出来，连接到HX711模块上
  4. 连接之后：
- 项目需要HX711的库文件：https://github.com/bogde/HX711
- 根据HX711Serial.ino的内容，将data连接在A1上，sck时钟连接在A0上
- 打开HX711Serial.ino，调整参数，烧写至Arudino中，关于参数的调整：关键的地方主要有3个，一是dataoutput和sck的连接位置；二是scale.set_scale(400);中的数值；三是delay()的时间。
- 灵敏度的调整：与灵敏度相关的就是scale.set_scale(400);括号里的这个数值，这个数值越小，灵敏度越高，但受到影响越大。比如，我将其设置为1，放入5g的砝码时，会显示数值为2000左右，并且变动较大，撤去砝码后数值到0之后还会逐渐上升（应变片微小的形变被计入）。而设置为400后，放入5g 砝码会显示200，且数值较为稳定。得到真实重量数据需要多个砝码，另外保持数据的线性很重要，量程一般是由应变片的耐受程度和数据的线性范围决定的。因而要么采用数据分析或者机器学习的方法消除误差达到极高精度，要么利用低精度实现低误差。此外也可以通过增加形变阻尼的方式减小数据飘动。
应用
- 电子秤通过提取压力传感器的方式进行开源改造后，一来可以结合其他设备进行物联网式改造，二来可以实现连续的数据测定（通过SD卡存储），可以应用的领域很多，结合PM2.5滤膜可以监测空气质量，用特殊吸湿特性的材料可以制成新型的湿度计，可以监测常温化学反应下的物料流动，也可结合粉末加料器、阀门或挤出机等设计自动称量装置。
Read All
阿里云市场API功能试用

2017-01-23

BCWang

IOT物联网

物联网
初次接触此类功能，写一下自己实现的步骤，虽说阿里云的文档已经非常完善了 1、注册阿里云，在云市场中购买服务。 2、购买服务后转入自己的API，记下Appcode。 3、对于短信服务，还需要先申请签名和模板。 4、天气查询、股票查询、IP地址查询服务：主页中有接口，在官方文档中根据需要的python或java等代码直接复制，把Appcode替换即可。 5、短信发送操作方式：申请签名和模板，根据接口的文档，创建模板时可以添加变量，如：当前温度:${data}，之后记下签名名称和模板CODE，签名名称如果有中文，需要进行URL编码，可以百度URL编码工具，或者安装相应模块。 6、接口的代码如下，需要更改appcode和querys，querys各个参数说明可在文档中看到，其中{“data”:”123456”}就相当于把模板中的变量设置为123456，发送短信后结果为：当前温度123456。query中分隔为&，RecNum为手机号，SignName为URL编码后的签名名称，TemplateCode是模板code。
```
#coding:utf-8
import urllib, urllib2, sys
host = 'http://sms.market.alicloudapi.com'
path = '/singleSendSms'
method = 'GET'
appcode = '你的APPcode'
querys = 'ParamString={"data":"123456"}&RecNum=手机号&SignName=这里是“我的PC”的URL编码%e6%88%91%e7%9a%84PC&TemplateCode=模板code'
bodys = {}
url = host + path + '?' + querys
request = urllib2.Request(url)
request.add_header('Authorization', 'APPCODE ' + appcode)
response = urllib2.urlopen(request)
content = response.read()
if (content):
    print(content)
```
前面是签名，后面是模板和设置的变量。

后续如果是构建物联网，可以把代码改成lua语言以供Nodemcu使用，或是直接使用树莓派。可以利用短信发送传感器数据和状态。传感器的数据发送可以采用局域网网页的方式，以及上面提及的短信发送，或者是物联网平台提供的邮件发送。（用Nodemcu发送邮件，也许更合适。）
Read All
上海科技大学暑期夏令营

2016-06-17

BCWang

Photos

Photos

校园一角
校园一角
校园一角
校园一角
图书馆
校园一角
校园一角
校园一角
上海光源
上海光源
上海光源
上海光源
校园健身房
实验室

Read All