IoTセンサー値から tensorFlowで予測値を計算する機械学習サービスを設置する

前回続き、tensorFlow/機械学習の関連となります。
IoTセンサー値から、tensorFlowを使った予測値の GoogleHome読み上げ機能を前回公開しましたが、
定期的に、最新のtensorFlow結果を更新する為に
機械学習の演算処理や、server更新処理を Lan上の機械学習serverで行っていましたので
python server実装あたりの内容となります。

---

# 予定している構成
前回と同じ構成、機械学習処理は、
web-APIを使って
IoTから更新されるセンサー値を読み込み
tensorFlow結果を更新する処理を追加しています。

*) ボードPC(nano Pi NEO 51MB)に、機能を追加
python 2.7

---

# Linux version
>uname -
Linux NanoPi-NEO 4.11.2 #266 SMP Thu Jun 29 17:46:10 CST 2017 armv7l armv7l armv7l GNU/Linux

---

# code ,python 2.7　、 一部分ですが。
main 処理

	# -*- coding: utf-8 -*-
	import requests
	import json
	import time
	import sys
	import gc
	import traceback
	import api_func
	import com_func
	import ai_func
	mAPI_KEY="your-Key"
	if __name__ == "__main__":
	clsAI =ai_func.ai_funcClass()
	key=mAPI_KEY
	try:
	field=1
	clsAI.proc_run(key , field )
	field=2
	clsAI.proc_run(key , field )
	field=4
	clsAI.proc_run(key , field )
	except:
	print "--------------------------------------------"
	print traceback.format_exc(sys.exc_info()[2])
	print "--------------------------------------------"

view raw yosoku_update_one.py hosted with ❤ by GitHub

tensorFlow処理、実績取得/更新の呼出など。　定期実行

	import tensorflow as tf
	import json
	from urllib2 import urlopen
	import api_func
	#ai_func
	class ai_funcClass:
	def __init__(self):
	print ""
	def proc_run(self ,field ):
	cls = api_func.api_funcClass()
	#get_apiData()
	#exit()
	# Model parameters
	W = tf.Variable([0.0], dtype=tf.float32)
	b = tf.Variable([0.0], dtype=tf.float32)
	# Model input and output
	x = tf.placeholder(tf.float32)
	y = tf.placeholder(tf.float32)
	linear_model = W*x + b
	# loss
	loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares
	# optimizer
	optimizer = tf.train.GradientDescentOptimizer(0.01)
	train = optimizer.minimize(loss)
	# training data
	y_train = cls.get_apiData(field )
	cDim=[]
	iCt=0
	for xRow in range(len(y_train ) ):
	cDim.append( float(iCt)/100.0 )
	iCt +=1
	x_train = cDim
	print(x_train)
	print(y_train)
	# training loop
	print('#Start traning.')
	init = tf.global_variables_initializer()
	sess = tf.Session()
	sess.run(init) # reset values to wrong
	for i in range(1000):
	sess.run(train, {x: x_train, y: y_train})
	if i % 100 == 0:
	print( i, sess.run(W), sess.run(b) )
	# evaluate training accuracy
	curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})
	if(len(curr_W)) >0:
	print('W=' + str(curr_W[0]))
	if(len(curr_b ) >0):
	print( 'b='+ str(curr_b[0] ))
	print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))
	#update
	if((len(curr_W) > 0) and (len(curr_b) > 0)):
	cls.update(field , curr_W[0],curr_b[0] )

view raw ai_func.py hosted with ❤ by GitHub

---

# systemctl でサービス起動の設定
*) 下記の cronに変更しています。

service ファイルを追加して、
rasPi/BLE serverと同様に、起動処理を追加。

参考　の設定方法:
http://knaka0209.blogspot.jp/2017/07/raspi-6-BLE.html

	[Unit]
	Description = tesorFlow Learning server
	[Service]
	ExecStart=/usr/bin/python /usr/local/yosoku_update/yosoku_update.py
	Restart=always
	Type=simple
	[Install]
	WantedBy=multi-user.target

view raw yosoku_update.service hosted with ❤ by GitHub

---

### update :2018/01/19
常駐サービスの連続稼動テストした結果
tensorFlow 1.1で、メモリーリークが見られましたので、
cron起動に一旦変更しています。
*)最新 tensorflow -version は、対策されているかもです。
(nanoPi /rasPi インストール不可能みたいですが)

調整方法は、変数をdel 処理と、gc呼出で。
メモリ領域の削除で対応予定していたのですが、
なかなか消費メモリ量が減らず。。 cronに変えています
この変更のデメリットは、１サイクルの実行終了前に、次の実行処理が
二重に起動される可能性がありますので、起動間隔をあけておく必要があります。

設定例:
cron設定の確認
> sudo crontab -l
cron設定　 (nanoで設定しました。)
> sudo crontab -e

例ですが、下記を追加しました。毎時10分に起動した場合です。
10 * * * * /usr/bin/python /home/pi/work/tensorflow/yosoku_update/yosoku_update_one.py

*)上記の呼出コードも、修正しています。
cronから呼ばれ
ループ無しの、単発実行 => 終了になります。

---

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


*)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