IoTセンサー値から tensorFlowで未来予測値を計算して、GoogleHomeで読み上げる

tensotFlow/機械学習の関連となります。
前の、IoTセンサーから、tensorFlowによる予測計算のアプリ側の組み込みが、少し進んだ為
全体的に見直し中ですが、メモしたいと思います。
今回は、GoogleHome(AI スピーカー)の連携部分を追加し、
問合せに対して、
指定場所のセンサー値、予測値を音声出力する機能を追加しました。

# 前の記事
IoTセンサー値から、TensorFlowの線形回帰で未来予測値を計算する。機械学習の入門編
https://qiita.com/knakaqi/items/d3699d15053e884dcac0

# 動画

---

# 予定している構成案

全体的に分散ぎみですが
IoTデバイスからのセンサー値は、管理serverにデータ送信。保存しておき
tensorFlowの機械学習サーバ機能を設置して、
定期的にセンサー値を読み込み、機械学習で線形の係数近似値を計算、
管理serverに更新。
GoogleHome=>webhook から、呼ばれた際に、必要な値をAPI経由で取り出し、
音声出力の、文章を組み立てて、ユーザーに出力。
実績更新と、予測に必要な計算も平行に実行更新する構成としています。

*)tensorFlowの機械学習処理は、重たい感じで。
低スペックPCで各センサー処理分を連続して実行すると、時間はそれなりにかかりそうです。
LAN上のボードPC(nano pi 512M)で実行しています。

---

# tensorFlow　install
nano Piに、tensorFlowをインストール時に、
通常のLinux版は、インストールできなかったため、苦戦しました。。
https://www.tensorflow.org/install/

rasPi にインストール事例はありそうなので、参考にしました。
参考: Raspberry PiとTensorFlowを使ったディープラーニングの開発環境構築
http://karaage.hatenadiary.jp/entry/2017/08/09/073000

環境:
python 2.7
tensorFlow1.1
*) 約３０分ほど、かかりましたが。
以前の、数本のpython3.5のコードも修正無しで動作できたました

---

# 前回と同じ、線形回帰による。
計算方法とし、予測値を計算しています

---

# code python2.7
webhookで、指定場所の分岐処理、実績/予測値の取得 まわりの処理
 

	# -*- coding: utf-8 -*-
	# 日本語
	from urllib2 import urlopen
	import webapp2
	import json
	import os
	import sys
	import traceback
	import com_func
	#define
	mDnsName="http://your-dns.com"
	#
	class WebhookHandler(webapp2.RequestHandler):
	def get(self):
	self.response.headers['Content-Type'] = 'text/plain'
	self.response.write("this is [GET] url" )
	def post(self):
	clsFunc= com_func.funcClass()
	json_data = self.request.body
	obj = json.loads(json_data)
	sAct = obj['result']['action']
	text=""
	if (sAct == "sen3a_inte"):
	sURL =mDnsName +"/device1-api"
	result = json.load(urlopen(sURL))
	res2 = clsFunc.get_yosokuParam( mDnsName ,'abc', 1)
	text = "ok, リビングの温度は、" +str(result["temperature"])+ " 度です。"
	text += "人口知能で予測します。"
	text += "1時間後の温度は、"+ str(res2["yNum"]) +"度です。"
	text += str(res2["ritu"])+ "%"
	sHantei =clsFunc.get_hantei(float(res2["ritu"] ) )
	text +=sHantei
	text += ", 6時間後の温度は、"+ str(res2["yNum6"]) +"度です。"
	text += str(res2["ritu6"])+ "%"
	sHantei6 =clsFunc.get_hantei(float(res2["ritu6"] ) )
	text +=sHantei6
	if (sAct == "sen3b_inte"):
	sURL =mDnsName +"/device4-api"
	result = json.load(urlopen(sURL))
	text = "ok, 玄関の温度は、" +str(result["temperature"])+ " 度です。"
	if (sAct == "sen2_inte"):
	text = clsFunc.get_message(mDnsName )
	try:
	dict = {'speech' : text , 'displayText' :text }
	sDict =json.dumps(dict)
	self.response.headers['Content-Type'] = 'application/json'
	self.response.write( sDict )
	except:
	print "--------------------------------------------"
	print traceback.format_exc(sys.exc_info()[2])
	print "--------------------------------------------"
	app = webapp2.WSGIApplication([
	('/webhook', WebhookHandler )
	], debug=True)

view raw webhook.py hosted with ❤ by GitHub

---

#　まとめ
今回は構成の面で、機械学習の演算処理を負荷が重いため、
通信処理は追加となりましたが独立させて、
定期更新する方法を検討しました。
予測精度の改善や課題はまだ多いので。調査を進めたいと思います

---

# tensorFlow/機械学習 関連まとめ
http://knaka0209.blogspot.jp/2018/01/tensorflow-matome.html

# 関連、IoT側はBLE使用しています
device:
http://knaka0209.blogspot.jp/2017/09/RN4020-4.html
nano Pi gateway:
http://knaka0209.blogspot.jp/2017/07/nanoPi-2.html