“智能硬件-课程项目”版本间的差异

来自iCenter Wiki
跳转至： 导航、 搜索
（以“==学生准备== 携带笔记本，智能手机 (Bring your own laptop computers and camera-ready smart phones) ==课程项目-语音识别== ===ASR-实验1===...”为内容创建页面）
 
（→‎云＋端整合）
 
（2位用户的25个中间修订版本未显示）
第1行： 第1行：
−
==学生准备==
+
== 目标 ==
  
−
携带笔记本，智能手机
+
硬件智能化：让计算设备能看见，能听见，能对话。
  
−
(Bring your own laptop computers and camera-ready smart phones)
+
平台：
 +
#嵌入式智能硬件（Jetson_Kit/PYNQ）
 +
#移动终端（安卓智能平板）
  
−
==课程项目-语音识别==
+
== 准备工作 ==
  
−
===ASR-实验1===
+
* Install TensorFlow Mobile in HUAWEI MediaPad M2 8.0
  
−
声控智能硬件-语音指令录音
+
* Install TensorFlow in Jetson TK1/TX1
  
−
通过给手机语音指令，手机APP自动识别指令种类，进行相应的控制。
+
: TensorFlow 清华校内镜像（THU-TUNA）：[https://mirrors.tuna.tsinghua.edu.cn/help/tensorflow/ TUNA-TensorFlow]
  
−
[[智能硬件-语音指令集]]
+
* Install Keras in Jetson TK1/TX1
  
−
存放目录：\\101.6.160.42\智能硬件录音
+
: [https://keras.io/ Keras]: Deep Learning library for Theano and TensorFlow
  
−
以学号建立文件夹，限定使用*.wav格式。
+
=== JetsonKit TX1===
  
−
每位同学提交24条语音，要求高质量保证。
+
[[CUDA | CUDA编程]]
  
−
时间：10月7日中午12点之前
+
=== Xilinx PYNQ===
  
−
===ASR-实验2===
+
PYNQ（ Python for Zynq ）是xilinx生产的一款嵌入式智能硬件。
  
−
声控智能硬件-频谱图生成
+
[http://pynq.io PYNQ开发入门]
−
+
−
# 将24条语音文件生成对应的频谱图（Spectrogram）[5]，频谱图文件名称为*.spec
+
−
# 熟悉TensorFlow环境[6]，使用TensorFlow搭建3层全连接的神经网络（24个softmax输出）。
+
  
−
时间：2016年10月14日中午12点之前
+
== 课程项目 ==
  
−
==课程项目-人脸识别==
+
=== [[智能硬件-语音识别 | 语音识别]] ===
  
−
[[智能硬件-人脸识别]]
+
=== [[智能硬件-对象检测 | 对象检测]] ===
  
−
==课程项目-云+端整合==
+
=== [[智能硬件-云端整合 | 云＋端整合]] ===
  
−
[[智能硬件-云端整合]]
+
=== [[智能硬件-云端整合2]] ===
  
−
==课程项目-深度学习==
+
== 课程项目（选做）==
  
−
===基本任务：手写数字识别===
 
  
−
利用附件提供的Matlab Deep Learning Toolbox中的卷积神经网络（CNN），在MNIST手写数字样本集上，利用训练集样本进行训练，并对测试集样本进行测试。
+
=== [[智能硬件-手写数字识别 | 手写数字识别]] ===
−
 
+
−
建议阅读附件中的背景知识和工具箱中的CNN源代码，在了解算法原理和技术实现细节基础上，参照示例程序'''''CNN/test_example_CNN.m'''''，自行调整算法中至少一种关键参数或设置，例如调整CNN的卷积层及下采样层的层数、或模板大小等参数；在至少一种与原始程序不同的参数或设置下分别进行训练，做出测试集识别率（或错误率）随参数或设置变化的对照图或对照表，并标出最高识别率对应的参数或设置。
+
−
 
+
−
===提高任务：物体检测===
+
−
 
+
−
请参考工具箱中'''''tests/test_example_SAE.m'''''示例文件，利用STL-10数据集中的无标注图片训练一个自动编码器，再用自动编码器隐含层的参数初始化一个神经网络分类器，并使用训练集中有标注的图片进行训练，最后使用神经网络分类器在测试集上进行测试。测试阶段，调用nntest的返回值“er”为测试集上的识别错误率。
+
−
 
+
−
在训练过程中，尝试调整算法中至少一种关键参数或设置，例如自动编码器隐含层的节点个数；在至少一种与原始程序不同的参数或设置下进行实验，做出测试结果随参数或设置变化的对照图或对照表。
+
−
 
+
−
在'''''test_example_SAE.m'''''中，建议修改第16行和第28行的'''''opts.numepochs'''''数值，比如将原来的1改为3；如果改变自动编码器隐含层节点数目进行实验比较，需要注意：
+
−
:第12行：sae = saesetup([784 <font color="#FF0000">'''100'''</font>]);
+
−
:第22行：nn = nnsetup([784 <font color="#FF0000">'''100'''</font> 10]);
+
−
中红色标注的参数要修改一致。
+
−
 
+
−
===报告要求===
+
−
 
+
−
报告应包含以下内容：
+
−
 
+
−
# 在MNIST手写数字样本测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。
+
−
# ''（选做）''在STL-10 测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。
+
−
# 总结收获和体会。
+
−
 
+
−
提交报告时，请一并提交自己编写或修改过的源代码。
+
−
 
+
−
===附件===
+
−
 
+
−
更多帮助，请阅读实验指导书。
+
−
 
+
−
实验指导书和工具箱下载：
+
−
 
+
−
http://166.111.6.122/RegionDownloadService/1511/0A6A33E76DFD6DFCD75E20F7C1226B7E3.html
+
−
 
+
−
（助教：王晗 wang-han13@mails.tsinghua.edu.cn）
+
−
 
+
−
==课程项目-智能医药问答==
+
−
 
+
−
（常嘉辉）
+

2017年6月7日 (三) 09:08的最后版本

目标

硬件智能化：让计算设备能看见，能听见，能对话。

平台：

  1. 嵌入式智能硬件（Jetson_Kit/PYNQ）
  2. 移动终端（安卓智能平板）

准备工作

  • Install TensorFlow Mobile in HUAWEI MediaPad M2 8.0
  • Install TensorFlow in Jetson TK1/TX1
TensorFlow 清华校内镜像（THU-TUNA）：TUNA-TensorFlow
  • Install Keras in Jetson TK1/TX1
Keras: Deep Learning library for Theano and TensorFlow

JetsonKit TX1

CUDA编程

Xilinx PYNQ

PYNQ（ Python for Zynq ）是xilinx生产的一款嵌入式智能硬件。

PYNQ开发入门

课程项目

语音识别

对象检测

云＋端整合

智能硬件-云端整合2

课程项目（选做）

手写数字识别

取自“http://wiki.icenter.tsinghua.edu.cn/icenterwiki/index.php?title=智能硬件-课程项目&oldid=43541”