一切如何开始
一切始于苹果市场-我发现他们有一个确定西瓜成熟度的程序。 该程序...很奇怪。 至少可以用电话来敲西瓜不是值得的，至少可以是值得的！ 不过，我想在一个更加熟悉的Android平台上重复这一成就。
工具选择
我们的问题可以通过多种方式解决，老实说，我不得不做出很大的努力，不要走“简单”的道路。 也就是说，采用傅立叶变换，小波和信号编辑器。 但是，我想获得有关神经网络的经验，所以让网络进行数据分析。
TensorFlow和Theano的Google插件Keras被选为创建和训练神经网络的库。 通常，如果您只是开始使用深度学习网络，则最好不要找到工具。 一方面，Keras是一种功能强大的工具，针对速度，内存和硬件进行了优化（是的，它可以在视频卡及其群集上使用）。 另一方面，可以从用户那里“隐藏”的所有东西都隐藏在这里，因此，您不必将脑筋放在神经网络各层的对接上。 很舒服
正如Keras以及一般的神经网络一样，都需要Python的知识-这种语言，就像一条缠在蛇上的蛇...对不起，已被淘汰。 简而言之，如果没有Python，您不应该介入现代深度学习。 幸运的是，在极端情况下-一个月内，可以在两周内研究Python。
您将需要更多的Python库，但是这些都是琐碎的-我的意思是，如果您自己处理过Python。 它将需要（非常肤浅地）与NumPy，PyPlot以及可能的几个库相识，从中我们实际上要采用几个函数。 不难 事实是。
好吧，总之，我注意到我们不需要上面提到的视频卡群集-我们的任务通常在计算机CPU的帮助下-缓慢但不是很慢。
工作计划
首先，您需要在Ubuntu下的Python和Keras上创建神经网络。 您可以-在模拟器Ubunta上。 您可以-对于Windows，但是花费的额外时间足以让您学习所提到的Ubuntu，然后在其中进行研究。
下一步是编写程序。 我计划在Android下的Java中执行此操作。 从某种意义上说，这将是程序的原型，它将具有一个用户界面，但是还没有神经网络。
你问写“安抚奶嘴”是什么意思。 但这就是问题：与数据分析有关的任何任务迟早都取决于对数据的搜索-用于训练我们的程序。 实际上，应该挖掘并品尝多少西瓜，以便神经网络可以基于此数据建立可靠的模型？ 一百？ 还有吗
在这里，我们的程序将为我们提供帮助：将其上传到Google Play，分发给所有不幸运拥有Android手机的朋友（好吧，强加于手，扭动手臂），数据，微小的数据流开始流淌……顺便问一下，在哪里？
下一步是编写一个服务器程序，从我们的android客户端接收数据。 确实，此服务器程序非常简单，我在大约二十分钟内完成了所有操作。 但是，尽管如此，这是一个单独的阶段。
最后，足够的数据。 我们训练神经网络。
我们使用Java移植神经网络，并发布程序更新。
获利 虽然没有。 该程序是免费的。 只有经验和颠簸。
创建一个神经网络
使用音频（当然是在西瓜上敲打）是循环神经网络或所谓的一维进化网络。 此外，近年来，进化网络已明确地处于主导地位，取代了经常性的进化网络。 卷积网络的思想是，窗口在数据阵列（“声音强度-时间”图）上滑动，而不是分析成千上万的样本，我们只处理进入窗口的内容。 以下各层组合并分析了该层的结果。
为了更清楚地说明，假设您需要在海洋景观的照片中找到一只海鸥。 您扫描图片-注意的“窗口”沿着虚构的行和列移动，以寻找白色对勾。 这就是2D卷积网络的工作方式，而一维网络则沿一个坐标扫描-如果我们要处理音频信号，这是最佳选择。
但是，我注意到没有必要专注于一维网络。 作为练习，我绘制了声音，并使用2D卷积网络将生成的位图分析为图片。 令我惊讶的是，结果并不比分析“原始一维”数据时差。
使用的网络具有以下结构：
model = Sequential() model.add(Conv1D(filters=32, kernel_size=512, strides=3, padding='valid', use_bias=False, input_shape=(nSampleSize, 1), name='c1d', activation='relu')) model.add(Activation('relu', input_shape=(nSampleSize, 1))) model.add(MaxPooling1D(pool_size=(2))) model.add(Conv1D(32, (3))) model.add(Activation('relu')) model.add(MaxPooling1D(pool_size=(2))) model.add(Conv1D(64, (3))) model.add(Activation('relu')) model.add(MaxPooling1D(pool_size=(2))) model.add(Flatten()) model.add(Dense(64)) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(nNumOfOutputs))
该网络具有两个输出值（它预测两个值）：甜度和成熟度。 甜度分别为0（不加糖），1（正常）和2（极好），以及成熟度，0太硬，1是您所需要的，2太熟，就像带沙子的棉绒一样。
测试样本的等级由人决定，确切地由人确定-我们将在Android程序的部分中进行讨论。 神经网络的任务是预测一个人给定西瓜的等级（根据水龙头）。
编写程序
我已经提到该程序应该有两个版本。 首先，初步诚实地警告用户她的预测完全是胡说八道。 但是，它允许用户记录西瓜的敲门声，对西瓜的味道进行评分并通过Internet将其发送给程序的作者。 也就是说，第一个版本只是收集数据。
这是该
程序在Google Play上的
页面 ，当然，该程序是免费的。
她是做什么的：
1.用麦克风按按钮，录音开始。 您有5秒钟的时间打了3次西瓜-敲敲敲敲。 带有西瓜的按钮会做出“预测”，我们尚未触摸它。
注意-如果Google使用的是旧版本，则将录音和预测结合在一个带有西瓜的按钮中，但是没有一个带有麦克风的按钮。
2.保存的文件是临时文件，下次您按下“录制”按钮将被覆盖。 这样，如果有人说手挽手（您无法想象让其他人闭嘴五秒钟是多么困难！），您就可以重复轻拍。或者水太吵了–盘子在响–邻居在钻...
但是现在选择了西瓜并购买了。 您将其带回家，录制了声音并将其剪切。 现在，您可以评估它的味道了。 选择保存选项卡。
在此选项卡上，我们看到两个用于评分的组合框-甜度和成熟度（甜度和成熟度，翻译工作正在进行中）。 标记-单击保存。
注意！ 保存只能单击一次。 因此，首先要标记一个标记。 只需按一下按钮，声音文件便被重命名，现在，下次录制时将不会删除它。
3.最后，在录制（并因此吃了）十几个西瓜之后，您从没有互联网的小屋返回。 现在是互联网。 打开“提交”选项卡，然后按按钮。 该程序包（带有十二个西瓜）将发送到开发人员的服务器。
编写服务器程序
这里的一切都很简单，所以我最好为该脚本布置完整的代码。 该程序会“捕获”文件，为它们提供唯一的名称，并将其放置在站点所有者只能访问的目录中。
<?php if (is_uploaded_file($_FILES['file']['tmp_name'])) { $uploads_dir = './melonaire/'; $tmp_name = $_FILES['file']['tmp_name']; $pic_name = $_FILES['file']['name']; $filename = md5(date('Ymd H:i:s:u')); move_uploaded_file($tmp_name, $uploads_dir.$filename); } else { echo "File not uploaded successfully."; } ?>
神经网络训练
数据分为训练和测试，分别为70％和30％。 神经网络-收敛。 但是，对于初学者来说，这并不奇怪：不要忘记对输入数据进行规范化，这将为您省去很多麻烦。 像这样：
for file_name in os.listdir(path): nSweetness, nRipeness, arr_loaded = loadData(file_name) arr_data.append(arr_loaded / max(abs(arr_loaded)))
移植神经网络
有多种方法可以将网络从Python环境移植到Java。 最近，Google简化了此过程，因此，如果您阅读教科书，请确保它们没有过时。 这是我的操作方式：
from keras.models import Model from keras.models import load_model from keras.layers import * import os import sys import tensorflow as tf
注意最后一行：在Java代码中，您将需要指定网络的输入和输出名称。 此“打印”仅打印它们。
因此，我们将接收到的文件coordted.pb放入Android Studio中该项目的资产目录中，连接tensorflowinferenceinterface库（请参见
此处 ，或者更好的是，
此处 ），仅此而已。
仅此而已。 当我第一次这样做时，我以为这很困难，但是...它在第一次尝试时就奏效了。
这是从Java代码进行的神经网络调用的样子：
protected Void doInBackground(Void... params) { try {
这里m_arrInput是一个包含两个元素的数组-是的！ -我们的预测，从零标准化为一。
结论
在这里，似乎应该感谢您的关注，并表示希望这很有趣。 相反，我注意到Google是该程序的第一个版本。 第二个已完全准备就绪，但数据不足。 因此，如果您喜欢西瓜-请在您的Android上放一个程序。 您发送的数据越多，第二个版本就会越好...
当然，它将是免费的。
祝您好运，是的：感谢您的收看。 我希望这很有趣。
重要更新：已发布具有改进分析的新版本。 感谢所有发送西瓜的人，并请发送更多！