{"id":955,"date":"2019-07-22T23:15:33","date_gmt":"2019-07-22T21:15:33","guid":{"rendered":"http:\/\/wchmurze.cloud\/?p=955"},"modified":"2020-02-13T22:10:01","modified_gmt":"2020-02-13T21:10:01","slug":"jetson-nano-lot-na-ksiezyc-i-uczenie-maszynowe","status":"publish","type":"post","link":"https:\/\/wchmurze.cloud\/index.php\/2019\/07\/22\/jetson-nano-lot-na-ksiezyc-i-uczenie-maszynowe\/","title":{"rendered":"Jetson nano, lot na Ksi\u0119\u017cyc i uczenie maszynowe."},"content":{"rendered":"\r\n

W\u0142a\u015bnie mija 50 lat od od momentu, gdy ludzka stopa postawi\u0142a sw\u00f3j odcisk na najbli\u017cszym satelicie, czyli na Ksi\u0119\u017cycu. W g\u0142owie ko\u0142acze si\u0119 wiele my\u015bli, co z tego wynik\u0142o, czy by\u0142o warto, ile to kosztowa\u0142o. Wa\u017cne co z tego wynik\u0142o, czy korzystamy z tej wiedzy, nawet je\u015bli tak, to niewiele z niej kojarzymy wprost z tym projektem.<\/p>\r\n\r\n\r\n\r\n

Obok le\u017cy nowy smartfon firmy H. Pob\u0142yskuje od czasu do czasu zielon\u0105 diod\u0105 sygnalizuj\u0105c\u0105 nadej\u015bcie nowej wiadomo\u015bci. Co zrobiliby prowadz\u0105cy program Apollo z takim urz\u0105dzeniem, kt\u00f3rego moc obliczeniowa przekracza x (kto jest ch\u0119tny poda\u0107 x<\/em>) razy to co by\u0142 w ich zasi\u0119gu, a waga jest u\u0142amkiem \u00f3wczesnych twardych dysk\u00f3w i komputer\u00f3w. Co ciekawe, w tamtych czasach s\u0142owo computer <\/strong>oznacza\u0142o osob\u0119 zajmuj\u0105c\u0105 si\u0119 obliczeniami, to taki nasz wsp\u00f3\u0142czesny data scientist<\/strong> ? <\/p>\r\n\r\n\r\n\r\n

Zrobi\u0142em przegl\u0105d moich urz\u0105dze\u0144 w domu, jeden desktop z 2008 roku, i trzy laptopy biznesowe, kt\u00f3re s\u0142u\u017c\u0105 mi do pracy, rozrywki i zabawy. Od pewnego czasu postanowi\u0142em wr\u00f3ci\u0107 do korzeni i co\u015b policzy\u0107. Kilka lat mojego \u017cycia po\u015bwieci\u0142em na liczeniu symulacji opartych g\u0142\u00f3wnie o metod\u0119 Monte Carlo, j\u0119zyk Fortran nie jest mi nieznany. Ten sam, kt\u00f3ry by\u0142 wykorzystywany w czasach moich urodzin. Wszystkim m\u0142odym adeptom IT polecam tak\u0105 wycieczk\u0119 do przesz\u0142o\u015bci. Te moje urz\u0105dzenia niestety nie nadawa\u0142y si\u0119 do wykonania oblicze\u0144 g\u0142\u0119bokich sieci neuronowych. Rozpocz\u0105\u0142em poszukiwania, co mog\u0119 z tym zrobi\u0107. Wyb\u00f3r pad\u0142 na p\u0142ytk\u0119 podobn\u0105 do Raspberry PI, ale posiadaj\u0105c\u0105 wbudowan\u0105 kart\u0119 GPU, kt\u00f3ra umo\u017cliwia w sensowym czasie (!) rozpocz\u0119cie przygody z uczeniem g\u0142\u0119bokim. W ten spos\u00f3b pozna\u0142em Jetsona Nano<\/a>. Postanowi\u0142em zrobi\u0107 moje prywatne GPU w moje sieli lokalnej z dost\u0119pem z dowolnego laptopa lub nawet z telefonu kom\u00f3rkowego. Zanim zam\u00f3wi\u0142em czyta\u0142em fora i blogi podobnych mnie pasjonat\u00f3w. Zawsze pozostaje Colab<\/a> od Google, kt\u00f3ry udost\u0119pnia za darmo wsp\u00f3\u0142dzielon\u0105 kart\u0119 GPU K-80 Tesla. W g\u0142owie pojawi\u0142y si\u0119 aplikacje rozpoznaj\u0105ce j\u0119zyk, twarz, znaki drogowe, litery, cyfry, psy i koty. Postanowi\u0142em to sprawdzi\u0107, ale nie tak jak pokazuje to producent urz\u0105dzenia. Wykorzystam je nieco inaczej ni\u017c planowano u producenta.
<\/p>\r\n\r\n\r\n\r\n

W por\u00f3wnaniu do Raspberry PI wersji 3 urz\u0105dzenie jest wi\u0119ksze, posiada radiator osadzony na GPU z mo\u017cliwo\u015bci\u0105 pod\u0142\u0105czenia wentylatora i sterowania pr\u0119dko\u015bci\u0105 jego obrot\u00f3w. Dedykowany system operacyjny jest dost\u0119pny na stronie Nvidia . Potrzebujemy czterech rzeczy do uruchomienia urz\u0105dzenia. <\/p>\r\n\r\n\r\n\r\n

1.Zasilacz, kt\u00f3ry mo\u017cna pod\u0142\u0105czy\u0107 do z\u0142\u0105cza micro-usb, albo do dedykowanego z\u0142\u0105cza. Ja zdecydowa\u0142em si\u0119 na to drugie rozwi\u0105zanie, gdy\u017c wydajno\u015b\u0107 pr\u0105dowa przekracza wtedy 2A. Nale\u017cy pami\u0119ta\u0107, \u017ce korzystanie z tego z\u0142\u0105cza wymaga za\u0142o\u017cenia jumpera na odpowiednie piny na p\u0142ytce. Instrukcja m\u00f3wi o tym, ale pierwsze wra\u017cenie po pod\u0142\u0105czeniu zasilania i martwym urz\u0105dzeniu nie nale\u017ca\u0142o do najmilszych.<\/p>\r\n\r\n\r\n\r\n

2.P\u0142ytk\u0119 micro-SD o minimalnej pojemno\u015bci 16GB, ale nie radz\u0119 korzysta\u0107 z takiej i zainwestowa\u0107 od razu w minimum 64GB.<\/p>\r\n\r\n\r\n\r\n

3.Kabel LAN, gdy\u017c producent nie umie\u015bci\u0142 uk\u0142ad\u00f3w odpowiedzialnych za WIFI i Bluetooth. Co dziwi, gdy\u017c w dobie IoT pozbycie si\u0119 na starcie \u0142\u0105czno\u015bci bezprzewodowej jest co najmniej dyskusyjne. Z drugiej strony mo\u017ce to \u015bwiadczy\u0107, i\u017c g\u0142\u00f3wnym celem u\u017cywania tego typu urz\u0105dzenia nie jest zastosowanie produkcyjne, a raczej deweloperskie. A dla mnie to ma by\u0107 moje prywatne GPU wpi\u0119te w domow\u0105 sie\u0107 lokaln\u0105. Takie odpowiednik GPU as a Service.<\/p>\r\n\r\n\r\n\r\n

4. Kable HDMI, klawiatura USB, mysz USB.<\/p>\r\n\r\n\r\n\r\n

\"\"
P\u0142ytka w oryginalnym opakowaniu.<\/figcaption><\/figure>\r\n\r\n\r\n\r\n

Dedykowany system operacyjny mo\u017cna \u015bci\u0105gn\u0105\u0107 ze strony Nvidia<\/p>\r\n\r\n\r\n\r\n

https:\/\/developer.nvidia.com\/embedded\/learn\/get-started-jetson-nano-devkit#write<\/a><\/p>\r\n\r\n\r\n\r\n

Proces pobrania oprogramowania jest dobrze opisany, zapisujemy oprogramowanie na karcie , kart\u0119 wk\u0142adamy do slotu, kt\u00f3rego znalezienie za pierwszym razem mo\u017ce sprawdzi\u0107 trudno\u015bci. Jest na \u015brodku tu\u017c pod radiatorem. <\/p>\r\n\r\n\r\n\r\n

\"\"
P\u0142ytka pod\u0142\u0105czona do myszki, klawiatury i monitora <\/figcaption><\/figure>\r\n\r\n\r\n\r\n

Po pod\u0142\u0105czeniu monitora, klawiatury, myszki i kabla sieciowego naszym oczom ukazuje si\u0119 Ubuntu w wersji desktopowej. <\/p>\r\n\r\n\r\n\r\n

\"\"
Ubuntu w wersji desktopowej<\/figcaption><\/figure>\r\n\r\n\r\n\r\n

Po chwilowym zachwycie i ustaleniu hase\u0142 przysz\u0142a pora na w\u0142a\u015bciw\u0105 konfiguracj\u0119 oprogramowania. Nie kupowa\u0142em kamer i innych dodatkowych urz\u0105dze\u0144, kt\u00f3re mo\u017cna pod\u0142\u0105czy\u0107 do GPIO.<\/p>\r\n\r\n\r\n\r\n

P\u0142ytka wyposa\u017cona jest w 4GB pami\u0119ci DIMM, ale nale\u017cy pami\u0119ta\u0107, \u017ce jest to pami\u0119\u0107 wsp\u00f3\u0142dzielona z systemem operacyjnym. To co nale\u017cy zrobi\u0107 na pocz\u0105tek to rozszerzy\u0107 pamie\u0107 urz\u0105dzenia o plik swap. O tym kroku nie nale\u017cy zapomnie\u0107, gdy\u017c \u0142atwo podczas trenowania sieci neuronowej wype\u0142ni\u0107 ca\u0142\u0105 pami\u0119\u0107 ulotn\u0105 i po\u0142o\u017cy\u0107 system na \u0142opatki.<\/p>\r\n\r\n\r\n\r\n

#!\/bin\/bash\r\nsudo fallocate -l 8G \/swapfile\r\nsudo chmod 600 \/swapfile\r\nsudo mkswap \/swapfile\r\nsudo swapon \/swapfile\r\necho \"\/swapfile swap swap defaults 0 0\" | sudo tee --append \/etc\/fstab > \/dev\/null<\/code><\/pre>\r\n\r\n\r\n\r\n
Drug\u0105 rzecz\u0105, kt\u00f3r\u0105 warto zrobi\u0107 to pobra\u0107 proste narz\u0119dzie do monitoringu obci\u0105\u017cenia systemu podczas pracy z modelami uczenia maszynowego.<\/p>\r\n\r\n\r\n\r\n
https:\/\/github.com\/rbonghi\/jetson_stats<\/a><\/p>\r\n\r\n\r\n\r\n
Na pocz\u0105tku czeka nas instalacja podstawowych pakiet\u00f3w z pythonem 3<\/p>\r\n\r\n\r\n\r\n
sudo apt-get install git cmake\r\nsudo apt-get install libatlas-base-dev gfortran\r\nsudo apt-get install libhdf5-serial-dev hdf5-tools\r\nsudo apt-get install python3-dev\r\nsudo apt-get install python3-matplotlib\r\nsudo apt-get install libfreetype6-dev # for matplot \r\nsudo apt-get install python3-pil # for matplot <\/code><\/pre>\r\n\r\n\r\n\r\n
Nast\u0119pnie instalujemy pip i \u015brodowisko wirtualne. To ostatnie umo\u017cliwia odseparowania od siebie w obr\u0119bie tej samej maszyny ro\u017cnych konfiguracji zainstalowanego oprogramowania. W moim przypadku b\u0119dzie to Tensorflow z obs\u0142ug\u0105 GPU i Keras jako nak\u0142adka na niego<\/p>\r\n\r\n\r\n\r\n
wget https:\/\/bootstrap.pypa.io\/get-pip.py\r\nsudo python3 get-pip.py\r\nrm get-pip.py\r\n\r\nsudo pip install virtualenv virtualenvwrapper<\/code><\/pre>\r\n\r\n\r\n\r\n
Tworzymy nowe \u015brodowisko wirtualne o nazwie deep_learning<\/p>\r\n\r\n\r\n\r\n
# edycja pliku\r\nnano ~\/.bashrc\r\n\r\n# i dodanie na jego ko\u0144cu\r\n\r\n# virtualenv and virtualenvwrapper\r\nexport WORKON_HOME=$HOME\/.virtualenvs\r\nexport VIRTUALENVWRAPPER_PYTHON=\/usr\/bin\/python3\r\nsource \/usr\/local\/bin\/virtualenvwrapper.sh\r\n# tworzenie \u015brodowiska wirtualnego dla pythona 3.\r\nmkvirtualenv deep_learning -p python3<\/code><\/pre>\r\n\r\n\r\n\r\n
Po uruchomieniu \u015brodowiska wirtualnego instalujemy niezb\u0119dne programowanie. Wersja Tensorflow, kt\u00f3ra nale\u017cy wykorzysta\u0107 nie pochodzi ze standardowego repozytorium PIP, prosz\u0119 nie robi\u0107 “”pip install tensorflow-gpu<\/strong>“. Jest umieszczony w zasobach NVidia. Nale\u017cy si\u0119 uzbroi\u0107 w cierpliwo\u015b\u0107, gdy\u017c instalacja pakiet\u00f3w zajmuje wiele minut, z tego co zaobserwowa\u0142em wykorzystywana jest wtedy tylko jeden rdze\u0144 CPU.<\/p>\r\n\r\n\r\n\r\n
# uruchomienie kontekstu srodowiska o nazwie deep_learning\r\nworkon deep_learning\r\n\r\npip install numpy\r\n\r\npip install --extra-index-url https:\/\/developer.download.nvidia.com\/compute\/redist\/jp\/v42 tensorflow-gpu==1.13.1+nv19.3\r\n\r\npip install scipy\r\npip install keras\r\npip install dlib\r\npip install imutils<\/code><\/pre>\r\n\r\n\r\n\r\n
\"\"
Instalacja przyk\u0142adowego pakietu<\/figcaption><\/figure>\r\n\r\n\r\n\r\n
Za\u0142o\u017cy\u0142em od pocz\u0105tku, \u017ce eksperymentowanie z budow\u0105 modeli uczenia g\u0142\u0119bokiego rozpoczn\u0119 w notatnikach jupytera. Istnieje wtedy mo\u017cliwo\u015b\u0107 wybrania jako j\u0105dra \u015brodowiska wirtualnego i korzystanie z zainstalowanych pakiet\u00f3w.<\/p>\r\n\r\n\r\n\r\n
# instalacja notatnikow jupytera\r\npip install ipykernel\r\npip install jupyter notebook \r\nipython kernel install --user --name=deep_learning<\/code><\/pre>\r\n\r\n\r\n\r\n
Je\u017celi nie b\u0119dziemy pracowa\u0107 ze \u015brodowiskiem graficznym Ubuntu, a naszym celem jest maksymalne wykorzystanie zasob\u00f3w dla modeli uczenia maszynowego mo\u017cemy pozby\u0107 si\u0119 zb\u0119dnego oprogramowania.<\/p>\r\n\r\n\r\n\r\n
#!\/bin\/bash\r\nsudo systemctl enable multi-user.target\r\nsudo systemctl set-default multi-user.target\r\nsudo apt-get -y purge whoopsie\r\nsudo apt-get -y purge unattended-upgrades\r\nsudo apt-get -y purge modemmanager<\/code><\/pre>\r\n\r\n\r\n\r\n
M\u00f3j model pracy z Jetsonem Nano to pod\u0142\u0105czenie si\u0119 przez SSH. Startuj\u0119 ze \u015brodowiskiem wirtualnym i uruchamiam notatnik. Po podaniu wygenerowanego tokena<\/p>\r\n\r\n\r\n\r\n
# uruchomienie kontekstu srodowiska wirtualnego\r\nworkon deep_learning\r\n# uruchomienie notatnika\r\njupyter notebook<\/code><\/pre>\r\n\r\n\r\n\r\n
Dodatkowo w konfiguracji SSH dokonuj\u0119 forwardowania portu 8888 i w ten spos\u00f3b ca\u0142o\u015b\u0107 pracy przeprowadzam na laptopie. P\u0142ytka jest w tym modelu wykorzystywana jako us\u0142uga. Wystarczy uruchomi\u0107 adres http:\/\/localhost:8888<\/a><\/p>\r\n\r\n\r\n\r\n
W przypadku popularnego klienta ssh jakim jest putty konfiguracja wygl\u0105da nast\u0119puj\u0105co<\/p>\r\n\r\n\r\n\r\n
\"\"
Tunelowanie port\u00f3w na przyk\u0142adzie putty<\/figcaption><\/figure>\r\n\r\n\r\n\r\n
W momencie kupna urz\u0105dzenia w zestawie z zasilaczem nie uda\u0142o si\u0119 znale\u017a\u0107 gotowej obudowy. Na szcz\u0119\u015bcie pojawi\u0142a si\u0119 mo\u017cliwo\u015b\u0107 pobrania gotowego projektu do druku 3D i w ten spos\u00f3b p\u0142ytka zosta\u0142a opakowana w kolorowe pude\u0142ko.<\/p>\r\n\r\n\r\n\r\n
\"\"
Nvidia Jetson Nano w obudowie wydrukowanej w 3D<\/figcaption><\/figure>\r\n\r\n\r\n\r\n
Podczas treningu modelu warto obserwowa\u0107 jak obci\u0105\u017cona jest pami\u0119\u0107 (Mem) , procesor graficzny (GPU) i jego temperatura (thermal)<\/p>\r\n\r\n\r\n\r\n
Na ko\u0144cu nadszed\u0142 czas na ma\u0142e demo, kt\u00f3re przygotowa\u0142em korzystaj\u0105c z przyk\u0142ad\u00f3w zawartych w ksi\u0105\u017cce, kt\u00f3r\u0105 polecam.<\/p>\r\n\r\n\r\n\r\n
\"\"<\/figure>\r\n\r\n\r\n\r\n
Na pocz\u0105tku sprawdzam, czy wszystkie potrzebne pakiety. Tensorflow  jest ju\u017c zainstalowany, pakiet Keras wykorzystuje go w tle, a pakiet matplotlib s\u0142u\u017cy do wizualizacji danych. Podczas tworzenia notatnika nale\u017cy wybra\u0107 kernel o nazwie deep_learning. Wtedy mamy dost\u0119p do zainstalowanych pakiet\u00f3w w wirtualnym \u015brodowisku o tej nazwie<\/p>\r\n\r\n\r\n\r\n
import subprocess\r\nimport sys\r\nreqs = subprocess.check_output([sys.executable, '-m', 'pip', 'freeze'])\r\ninstalled_packages = [r.decode().split('==')[0] for r in reqs.split()]\r\n\r\nimport sys\r\n\r\n# Keras\r\nif  not 'keras' in installed_packages:\r\n  !pip install keras\r\n\r\n# Matplotlib\r\nif  not 'matplotlib' in installed_packages:\r\n  !pip install matplotlib\r\nimport matplotlib\r\n# sprawdzamy jego wersje \r\nprint ('Matplotlib version :',matplotlib.__version__)\r\n\r\nimport tensorflow as tf\r\nprint(\"Tensorflow version :\",tf.__version__)\r\n\r\nimport keras\r\nprint(\"Keras version: \",keras.__version__)\r\n\r\n# Matplotlib version : 3.1.0\r\n# Tensorflow version : 1.13.1\r\n# Keras version:  2.2.4\r\n\r\n# Using TensorFlow backend.\r\n<\/code><\/pre>\r\n\r\n\r\n\r\n
Naszym zbiorem na kt\u00f3rym zbuduj\u0119 model klasyfikacji obraz\u00f3w jest najbardziej znany MNIST, czyli zestaw ma\u0142ych obraz\u00f3w wielko\u015bci 28×28 pikseli w 256 odcieniach szaro\u015bci. \u0141atwo policzy\u0107, \u017ce jeden taki obraz zawiera 28*28 =784 liczby ca\u0142kowite w zakresie 8 bit\u00f3w bez znaku. Zbi\u00f3r treningowy zawiera 60 ty\u015b takich obraz\u00f3w, a zbi\u00f3r testowy s\u0142u\u017c\u0105cy do walidacji jako\u015bci naszego modelu zawiera ich 10 ty\u015b. Pakiet Keras zawiera zbi\u00f3r MNIST jako jeden z gotowych do u\u017cycia.<\/p>\r\n\r\n\r\n\r\n
from keras.datasets import mnist\r\n(train_images, train_labels), (test_images, test_labels) = mnist.load_data()\r\ntrain_images.shape\r\n#(60000, 28, 28)\r\ntest_images.shape\r\n#(10000, 28, 28)<\/code><\/pre>\r\n\r\n\r\n\r\n
Jak wygl\u0105da przyk\u0142adowy obraz ? Wylosujmy jeden z 60 tysi\u0119cy. Zbi\u00f3r danych zawiera wy\u0142\u0105cznie cyfry od 0 do 9, czyli mamy do czynienia z klasyfikacj\u0105 wieloklasow\u0105. S\u0105 dost\u0119pne te\u017c inne podobne zbiory danych np. EMNIST, lub zestaw Zalando, ale z punktu widzenia budowy modelu s\u0105 bardzo podobne.<\/p>\r\n\r\n\r\n\r\n
import matplotlib.pyplot as plt\r\n%matplotlib inline \r\n\r\nimport random\r\n# Losowa wartosc miedzy 0-60000\r\nimage_num=random.randint(0, 60000)\r\nprint(\"Train image:\",image_num)\r\nprint(\"Train label:\",train_labels[image_num])\r\ndigit=train_images[image_num]\r\nplt.imshow(digit,cmap=plt.cm.binary)\r\nplt.show()\r\n\r\n# Train image: 44666\r\n# Train label: 6<\/code><\/pre>\r\n\r\n\r\n\r\n
\"\"
Przyk\u0142adowy obraz ze zbioru MNIST<\/figcaption><\/figure><\/div>\r\n\r\n\r\n\r\n
Pe\u0142en kod \u017ar\u00f3d\u0142owy notatnika umie\u015bci\u0142em pod adresem<\/p>\r\n\r\n\r\n\r\n
Przygotowujemy definicj\u0119 naszej sieci neuronowej. W przypadku pakietu Keras jest to bardzo proste (dla ch\u0119tnych pro\u015bba o poszukanie tego samego w czystym Tensorflow, kt\u00f3ry pracuje w tle). Na wej\u015bciu modelu mamy macierz 28*28, na wyj\u015bciu natomiast wektor zawieraj\u0105cy dziesi\u0119\u0107 element\u00f3w. Na warstwie wyj\u015bciowej mamy dodatkowo zastosowany SoftMax, kt\u00f3ry potrafi z element\u00f3w wyznaczy\u0107 ten, kt\u00f3ry najlepiej opisuje wyznaczon\u0105 klas\u0119. Dodatkowo mo\u017cemy otrzyma\u0107 prawdopodobie\u0144stwo takiej transformacji.<\/p>\r\n\r\n\r\n\r\n
from keras import models\r\nfrom keras import layers\r\n\r\nnetwork = models.Sequential()\r\nnetwork.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))\r\nnetwork.add(layers.Dense(10, activation='softmax'))\r\nfrom tensorflow.keras.utils import plot_model\r\nfrom IPython.display import Image\r\n\r\nplot_model(network, to_file='mnist.png', show_shapes=True)\r\nImage('mnist.png')<\/code><\/pre>\r\n\r\n\r\n\r\n
\"\"
Wizualizacja prostej sieci w pakiecie Keras<\/figcaption><\/figure><\/div>\r\n\r\n\r\n\r\n
Przygotowujemy startowe parametry dla naszego modelu. Robimy kilka przekszta\u0142ce\u0144, kt\u00f3re  przygotowuj\u0105 dane wej\u015bciowe do formatu optymalnego dla sieci neuronowej. Macierz 28×28 jest rozci\u0105gni\u0119ta w wektor sk\u0142adaj\u0105cy si\u0119 z 784 liczb. Liczby ca\u0142kowite s\u0105 zamienione na liczby rzeczywiste z przedzia\u0142u od 0 do 1. Etykiety  s\u0105 zamienione na zmienne kategoryczne.<\/p>\r\n\r\n\r\n\r\n
network.compile(optimizer='rmsprop',\r\n                loss='categorical_crossentropy',\r\n                metrics=['accuracy'])\r\n\r\ntrain_images = train_images.reshape((60000, 28 * 28))\r\ntrain_images = train_images.astype('float32') \/ 255\r\ntest_images = test_images.reshape((10000, 28 * 28))\r\ntest_images = test_images.astype('float32') \/ 255\r\n\r\nfrom keras.utils import to_categorical\r\ntrain_labels = to_categorical(train_labels)\r\ntest_labels = to_categorical(test_labels)<\/code><\/pre>\r\n\r\n\r\n\r\n
Rozpoczynamy trenowanie naszego modelu.<\/p>\r\n\r\n\r\n\r\n
network.fit(train_images, train_labels, epochs=5, batch_size=128)<\/code><\/pre>\r\n\r\n\r\n\r\n
Epoch 1\/5 60000\/60000 [==============================] - 14s 236us\/step - loss: 0.2562 - acc: 0.9246 
Epoch 2\/5 60000\/60000 [==============================] - 11s 178us\/step - loss: 0.1045 - acc: 0.9685 
Epoch 3\/5 60000\/60000 [==============================] - 10s 170us\/step - loss: 0.0695 - acc: 0.9794 
Epoch 4\/5 60000\/60000 [==============================] - 11s 188us\/step - loss: 0.0510 - acc: 0.9846 
Epoch 5\/5 60000\/60000 [==============================] - 11s 191us\/step - loss: 0.0377 - acc: 0.9882

Uzyskali\u015bmy ju\u017c po pi\u0119ciu cyklach dok\u0142adno\u015b\u0107 rz\u0119du 99%.<\/pre>\r\n\r\n\r\n\r\n
Tak wytrenowany model musimy zweryfikowa\u0107 za pomoc\u0105 zbioru testowego, kt\u00f3ry do tej pory nie bra\u0142 udzia\u0142u w obliczeniach.<\/p>\r\n\r\n\r\n\r\n
test_loss, test_acc = network.evaluate(test_images, test_labels)\r\n\r\n# evaluate the model\r\nscores = network.evaluate(test_images, test_labels, verbose=1)\r\nprint(\"%s: %.4f%%\" % (network.metrics_names[0], scores[0]))\r\nprint(\"%s: %.4f%%\" % (network.metrics_names[1], scores[1]))<\/code><\/pre>\r\n\r\n\r\n\r\n
10000\/10000 [==============================] - 2s 182us\/step\r\n10000\/10000 [==============================] - 2s 168us\/step\r\nloss: 0.0708%\r\nacc: 0.9789%<\/pre>\r\n\r\n\r\n\r\n
Po weryfikacji na grupie 10 tysi\u0119cy obraz\u00f3w zbioru testowego nasza dok\u0142adno\u015b\u0107 modelu nieco spad\u0142a, ale i tak jest w pobli\u017cu 98%. <\/p>\r\n\r\n\r\n\r\n
https:\/\/github.com\/djkormo\/jetson-nano\/blob\/master\/deep-learning\/FirstKerasDemoOnJetsonGPU.ipynb<\/a><\/p>\r\n\r\n\r\n\r\n
\"\"
Monitoring obci\u0105\u017cenia CPU, GPU i pami\u0119ci <\/figcaption><\/figure>\r\n\r\n\r\n\r\n
Wszystkie wykorzystane kody umie\u015bci\u0142em w repozytorium na githubie   
https:\/\/github.com\/djkormo\/jetson-nano\/<\/a>  <\/p>\r\n\r\n\r\n\r\n
B\u0119d\u0105 tam sukcesywnie umieszczane eksperymenty z modelami uczenia maszynowego. Czy zakup p\u0142ytki to wielki krok do przybli\u017cenia uczenia g\u0142\u0119bokiego pod strzechy ? Czas poka\u017ce….  To dopiero pocz\u0105tek, dla os\u00f3b kt\u00f3rym prezentowane tre\u015bci nie s\u0105 do ko\u0144ca jasne mam propozycj\u0119, komentujcie, szukajcie b\u0142\u0119d\u00f3w i nie\u015bcis\u0142o\u015bci.  Cz\u0142owiek na Ksi\u0119\u017cycu wyl\u0105dowa\u0142 przy wsp\u00f3\u0142pracy os\u00f3b z r\u00f3\u017cnych dziedzin, r\u00f3\u017cnych do\u015bwiadcze\u0144, i tu te\u017c tak by\u0107 powinno.<\/p>\r\n\r\n\r\n\r\n
Literatura:<\/p>\r\n\r\n\r\n\r\n
\r\n
Getting started with the NVIDIA Jetson Nano<\/a><\/blockquote>