前言
通过前几篇的努力，我们把主流的几个AI框架都安装了一下，涉及了太多的代码，略显枯燥。这篇我们试着在这基础上，做一些有趣的AI应用，并赶一波时髦全程采用无代码开发。
现在建立人工智能应用最大的挑战在于几个方面：
数据采集与标注需要花大量的时间和人力； 模型的训练时间很长，算力成本也高； 模型泛化能力很弱，换一个场景就需要更换模型； 基础算法艰涩难懂，科研和学校仍是主力军； 很多领域还没有成熟的商业化解决方案。随着技术的不断发展，人工智能应该成为某一系统的底层技术，在降本增效方面发挥更大的价值。AI 应该像水和电那样，成为任何人都随开随用的一种资源。这里介绍一个网站，就有点这个意思了。
Teachable Machine
这个网站提供了一个简单的人工智能训练平台，主要以监督学习为主，提供了图像分类，声音分类和姿态识别三种类型的AI应用。可以将训练好的模型，以 Tensorflow，Tensorflow.js 或 Tensorflow Lite 三种形式来保存，这样我们可以很方便的将其部署到手机端或是树莓派上。
https://teachablemachine.with...
训练模型分为三个步骤：采集数据，训练模型，导出模型。
1. 新建项目
我们准备先做一个手势识别的应用，新建一个图像分类项目，再选择 Image Project
2. 采集数据
可以通过上传图像或是摄像头的方式来采集图像，填入分类的类别名称，比如 one。
用摄像头会比较方便，按住 Hold to Record 按钮就会记录，还可以选择帧率。录制过程中，可以随时删除一些不适合的样本，也可以重复录制，增加样本多样性。
然后依次加第二个类别，第三个类别... 一直到 ten，共十个有效类别。这时候记得一定要加一个 nothing，作为排除项。
Tip:
要注意每个类别的图像数量尽量保持差不多的水平上，避免造成样本不平衡。
3. 训练模型
填入 Epochs，默认是50，只要没有过拟合，可以根据情况改大些，提高准确率；
Batch Size，默认是16，太小的话不容易收敛，太大的话容易欠拟合。显卡的显存足够的话，我比较迷信32；
Learning Rate，学习率是每次梯度下降更新的幅度，过大容易震荡，过小影响模型收敛速度，默认 0.001。
还可以点击 Under the hood，来查看整个训练过程中的曲线，有点 tensorboard 的味道了。
最后还能计算每个类别的准确率和混淆矩阵，完美！
Tip:
训练中记得不要切换标签，保持tab一直处于开启状态，避免浏览器优化后台影响训练模型。
4. 验证模型
可以在训练结束后，重新用摄像头来验证分类的结果，列表里会输出模型的预测概率，非常直观好用。
你可以及时对错误的类别，再补充一些样本，提高分类的准确率。
5. 导出模型
点击 Export Model 按钮，会弹出一个对话框，我们这里选择 Tensorflow Lite 模型，还可以选择导出的精度类型，Floating point ，Quantized 或 EdgeTPU。
点击 Download my model 下载模型按钮，过一段时间，网站就会把转换好的模型打包成 converted_tflite.zip 压缩文件。里面包含两个文件，model_unquant.tflite 是模型文件，labels.txt 是分类标签文件。
这两个文件是不是有点眼熟，对了，就是我们上一篇 tensorflow lite 应用里输入的两个参数。那让我们上次的程序直接跑一下看看效果。
部署到树莓派
酷！！！
难得的是，这回一行代码没写，就跑出了一个手势识别的AI应用。稍微扩展一下，比如训练一个火影忍者里的结印手势，然后根据分类结果，后端再连接一个 IFFFT 应用，可以很有仪式感地打开你的智能门锁。
也可以很容易的做到挥一挥手就打开空调，打个响指就灭一盏卧室的台灯，更多这种中二，又有趣的智能家庭应用，就留给你们的想象力了。
下一篇预告
我们将在树莓派上。
部署一下 intel 的神经计算棒，
进一步的提升推理速度，
敬请期待...
