查看“2016012144”的源代码

沈偉棟學習日誌記錄（以日子分隔）

==2017年6月30日==

主要完成pynq板调试与安装，其中主要花了較長時間在安裝PYNQ上。
根据老师说指导我们并提供了在pyno.io上的PYNQ入门指南进行初步
的简介，主要硬件为PYNQ开发板、SD卡以及网线等。
其中，安装时也需要安装到Python语言程式以及利用Jupyter进行各种调节，详情可参与pyno.io上的官方指南。
这天，我对于PYNQ这个“微型电脑”开始有了初步了解，感到很神奇并且在安装完成时有一点期待。

以下为PYNQ开发板之图<br/>
[[文件:20170701_082447.jpg|无框]]

==2017年7月1日==
*上午主要实验了 PYNQ 中 USB Webcam 与 OpenCV Filters Webcam 功能的实现
*下午主要对TensowFlow tfExample进行操作性练习以试图熟悉与理解
在tfExample中进行了TensorBoard展示的操作试验：TensorBoard是TensorFlow自带的图形化工具，可以展示出网络训练（内部权重和偏振）的效果，使用了MNIST数据集的训练过程并以TensorBoard展示。
<br />
通过这些天，尤其这天，对于本来基本上没有学过编程（一看就觉得无所适从的我）来说是个好的开始，只少在操作中透过老师们与同学们的协助与交流后令我有了大致的体会。以及也能看出PYNQ这个“电脑”里的各种功能对于原本需要复杂程序运行的简化使使用者/开发者能更简便地编码指令（包括用到Python语言,TensorFlow系统）。
<br />
值得一提的是：当天老师跟我们讲解了Deep Learning -tutorial 的一些基本概念与原理，以及关于神经网络训练的相关内容。
<br />
*以下为PYNQ 中 USB Webcam 与 OpenCV Filters Webcam 功能的效果图
<gallery>
文件:2017-07-01.png|OpenCV Filters Webcam
文件:2017-07-01 (2).png|USB Webcam （包括灰度图与旋转）
</gallery>
其中
<gallery>
文件:Download1.png|OpenCV Filters Webcam
文件:Download-1.png|USB Webcam （原图）
文件:Download-2.png|USB Webcam （灰度图）
文件:Download-3.png|USB Webcam （旋转图）
</gallery>
<br />
*可见按PYNQ中范例语句实验操作效果如下：
[[文件:2017-07-01.png|无框]]
[[文件:2017-07-01 (2).png|无框]]
<br />
      [[文件:Download1.png|无框]]
<br />
[[文件:Download-2.png|无框]]
[[文件:Download-3.png|无框]]
<br />
<br />
*以下为TensorBoard展示MNIST数据训练结果
[[文件:20170701 203504.jpg|无框]]

==2017年7月2日==
当天，早上在动手实验操作学习体验方面，进行了两个主要部分：
其一关于Keras实践。Keras简单来说便是TensorFlow的封装并进一步集成Keras框架并由此达到机器学习模型、训练、预测的过程。
简单地了解和尝试网络训练后到下一环节，可谓本日主要的“重头戏”。

也就是其二：关于语音识别网络这一主要部分（本挑战学习核心内容），经过老师指导，简单了解和学习到语言识别网络中较为简单的三层全连接网络和比较准确率更优的CLDNN网络
然后，铺垫过后主要是进行TensorFlow/ Keras的使用 并最终其实期望大致训练的效果。
当中，大致的操作流程为：在Tsinghua i-Center的gitlab资源里下载提供的代码、并有老师提供音频数据（被调整统一为.wave ，且经过加干扰在原本为数不多的音频基础上获得大量！），然后在获得的文件夹audioNet里开始操作。在创建目录和修改代码后，开始进行训练——在该目标档案文件夹里运行python train.py 以及python client.py， 当中遇到了一些问题，包括cudnn的版本未成功被识别为装好(装了6不行而要5...)以及一些档案补充使得环境适当（cuda,cudnn合适存在对gpu起作用）可以进行Trainning，结果为需要运行大批数据，几乎整个下午（粗略估计大于2小时），明天应当有结果（生成一系列文件），并继续观察。这就令我初步见识到神经网络训练的过程了（非常初阶）！
值得一提的是：这天我们继续有老师再讲解深度学习原理以及一些（对我来说陌生的词）激活函数，人工神经网络，损失函数的量化输出结果和实际结果的差距，常用调节权重的方法中随机梯度下降法，一些Deep Learning的常用术语等。

以下为训练过程摄影图片：
<gallery>
文件:20170702_115247.jpg|一开始版本问题报错
文件:20170702_172002.jpg|最终成功运行训练中
</gallery>