How to train the MLP Deep Learning Model

前提条件

训练MLP深度学习模式有2个前提条件：

下载并安装Anaconda

  • 请从官网下载并安装Anaconda软件

安装依赖项：

运行以下命令安装必要的依赖项： 安装numpy: conda install numpy 安装tensorflow: conda install tensorflow 安装keras (version 1.2.2): conda install -c conda-forge keras=1.2.2 安装h5py: conda install h5py * 安装protobuf: conda install -c conda-forge protobuf

训练模型：

接下来要遵循的步骤是使用发布的演示数据来训练MLP模型。为了方便起见，我们把阿波罗作为本地阿波罗储存库的路径，例如，/home/username/apollo

  1. 如果用来存储离线预测数据的文件夹不存在的话，则使用命令mkdir APOLLO/data/prediction创建一个新文件夹。

  2. 打开apollo/modules/prediction/conf/prediction.conf.通过改变 --noprediction_offline_mode 成 --prediction_offline_mode来启动离线模式

  3. 在apollo文件夹中用bash docker/scripts/dev_start.sh 启动dev docker

  4. 在apollo文件夹中用bash docker/scripts/dev_into.sh进入dev docker

  5. 在docker中，/apollo/下运行bash apollo.sh build进行编译

  6. 在docker中，/apollo/下通过python docs/demo_guide/rosbag_helper.py demo_2.0.bag下载演示用rosbag

  7. 在docker中，/apollo/下通过bash scripts/prediction.sh start_fe 运行预测模块

  8. 打开一个新的终端窗口，使用步骤4进入apollo dev docker

  9. 在新的终端窗口中，在/apollo/下，使用rosbag play demo_2.0.bag播放演示rosbag。

  10. 当rosbag在新终端中运行结束后，在原来的终端按下Ctrl + C停止预测模块。

  11. 在 /apollo/data/prediction/文件夹中检查是否有feature.0.bin文件存在

  12. 在docker中进入/apollo/modules/tools/prediction/mlp_train/， 使用python generate_labels.py -f /apollo/data/prediction/feature.0.bin标记数据。然后在/apollo/data/prediction/文件夹中检查是否有feature.0.label.bin文件存在

更新: 在docker中进入/apollo/modules/tools/prediction/mlp_train/， 使用python generate_labels.py /apollo/data/prediction/feature.0.bin /apollo/data/prediction/feature.0.label.bin 标记数据。然后在/apollo/data/prediction/文件夹中检查是否有feature.0.label.bin文件存在

  1. 在docker中，/apollo/modules/tools/prediction/mlp_train/下， 通过 python generate_h5.py -f /apollo/data/prediction/feature.0.label.bin生成 H5文件。然后检查feature.0.label.h5是否被创建

更新：在docker中，/apollo/modules/tools/prediction/mlp_train/下， 通过 python generate_h5.py /apollo/data/prediction/feature.0.label.bin /apollo/data/prediction/feature.0.label.h5 生成 H5文件。然后检查feature.0.label.h5是否被创建

  1. 退出dev docker

  2. 进入APOLLO/modules/tools/prediction/mlp_train/proto/文件夹并运行protoc --python_out=./ fnn_model.proto来生成fnn_model_pb2.py

  3. 进入APOLLO/modules/tools/prediction/mlp_train/文件夹通过python mlp_train.py APOLLO/data/prediction/feature.0.label.h5启动训练模型

  4. 模型的评估报告在APOLLO/modules/tools/prediction/mlp_train/evaluation_report.log

  5. 模型会被存放在APOLLO/modules/tools/prediction/mlp_train/mlp_model.bin，如果你觉得你的模型更好可替换在APOLLO/modules/prediction/data/mlp_vehicle_model.bin中原来的模型