王小新 编译自 Google Cloud Blog
量子位 出品 | 公众号 QbitAI
你们程序员啊，连带娃都这么技术流……
今年夏天，谷歌云负责维护开发者关系的Kaz Sato带着他的儿子，用一些传感器和一个简单的机器学习线性模型，开发了一个“猜拳机器”，能检测石头剪刀布的手势。
最近他还还根据这个过程写了一份教程，详细介绍了怎样构建这个机器，以及怎样用机器学习算法解决日常问题。
量子位搬运编译整理如下，适合有一定编程基础的同学，需要大约200美元的硬件设备。
我们先来看一下这个机器：
上面视频中，我们搭建的系统正在通过手套上的传感器，借助一个用Tensorflow编写的简单机器学习算法来检测我儿子的手势，然后选择相应的选项：石头、剪刀、布。
项目源代码在此：
https://github.com/kazunori279/ml-misc/tree/master/glove-sensor
具体是怎样实现的呢？接下来我会一步一步地讲。
第1步：
制作手套传感器
我们使用littleBits来构建硬件系统。这套设备对儿童很友好，包含各种各样的组件，如LED灯、电机、开关、传感器和控制器等，这些组件可以靠磁性链接，无需焊接。在这个实验中，我们使用了三个
弯曲传感器
，将它们附在塑料手套上。
△
littleBits弯曲传感器
当你戴着手套、弯曲手指时，传感器会输出一个从0V到5V变化的电压信号。为传感器输出加一个指示器，比如LED光柱，就能实时看到每个传感器受到的压力。
△
弯曲传感器输出0V-5V信号
第2步：
安装Arduino和伺服模块
要读取弯曲传感器的输出信号并控制机器的转动幅度，我们使用了Arduino模块和伺服模块。Arduino模块内部有一个微控制器芯片，且具有多个输入和输出端口。你可以在笔记本电脑上用Processing语言（和C语言比较像）编写一个程序并编译，然后通过USB线传输到该模块中。
△
littleBits Arduino模块
△
伺服模块
△
我儿子在画转盘指示图
现在，用于构建猜拳机的所有硬件已经准确齐全，接下来，就该写代码了。
△
猜拳机硬件部分
第3步：
写程序从弯曲传感器读取数据
在配置好硬件后，我们开始在Arduino模块上编写代码，实现从弯曲传感器读取数据的功能。在Arduino的IDE中，设定为每隔0.1秒读取传感器数据，然后将其记录在串行控制台上，代码如下。
△
在Arduino IDE中编写程序
运行这段代码时，你会在控制台上看到这样的数字：
其中，每行的三个数字表示弯曲传感器输出的三个数据。Arduino模块将输入信号电压（0V - 5V）转换成从0到1023变化的数字。
上图是“石头”手势的数据，所有传感器都是弯曲的。如果换成“布”的收拾，所有传感器都不弯曲，则上图的数据都会趋近于0。
第4步：
使用Cloud Datalab可视化数据
该如何确定这三个数字的组合是代表着“石头”、“布”还是“剪刀”？
最简单的方法是编写能判断阈值和条件的IF语句。比如：
-
当三个输出数值都低于100时，则输出“布”；
-
当三个输出数值都高于400时，则输出“石头”；
-
若不满足以上两个条件，则输出“剪刀”。
这个程序可能满足当前任务的要求，但是很不灵活也不稳定。
如果我儿子要求我在手套上添加更多传感器，来捕获10个不同手势，那该怎么办？或者，如何向紧身衣添加多个传感器，来识别不同身体姿势？显然，上述程序无法处理这么复杂的任务。
当然，主要是因为我比较懒，想编写出更强大和更灵活的代码，能在不改变基本设计的前提下，灵活处理善变的甲方（我儿子）可能提出的各种请求。
为了找到更好的数据处理方法，我对手套传感器数据做了一些快速的分析。我使用的工具是Cloud Datalab，这是一个很受欢迎的Jupyter Notebook版本，并已集成到Google Cloud平台，可提供基于云数据分析的一站式服务。你可以在Web UI中编写Python代码，使用如NumPy、Scikit-learning和TensorFlow等函数库，并将其与Google Cloud服务（如BigQuery、Cloud Dataflow和Cloud ML Engine）相结合。
根据不同手势，我把手套传感器数据分开保存成三个CSV文件，每个文件包含800行数据。你可以在Cloud Datalab上编写Python代码，将它们读取并转换为NumPy数组，示例代码如下：
△
使用Cloud Datalab读取CSV文件转为NumPy数组
完整代码：https://github.com/kazunori279/ml-misc/blob/master/glove-sensor/Rock-paper-scissors.ipynb
你也可以使用Matplotlib库来可视化NumPy数组。下面代码画出了一个3D图，其中每个轴对应着一个不同传感器。
△
用3D图绘制传感器数据，已缩放原始多维数据
通过观察上面的3D图，你可以更清楚地看到数据的空间分布。
第5步：
创建一个线性模型
接下来，我们要将这些原始传感器数据划分到三种不同手势类别中。这里会用到线性代数，你们在高中或者大学应该都学过了。
线性代数是一种可以将某个空间映射到另一空间的数学方法。例如，下面公式表示了一种从某个一维空间到另一个一维空间的线性映射。
△
一元公式
其中，x和y分别为两个一维空间中的变量，w为权重，b为偏差。利用这个公式，可以将一维空间“纽约市出租车的行驶距离”映射到另一个一维空间“出租车费用”，其中把2.5美元（每英里费用）作为权重，把3.3美元（初始费用）设置为偏差。
△
“行驶距离”和“出租车费用”的映射函数
从图中看出，权重和偏差（也叫参数）分别定义该直线的斜率和初始位置。你可以通过调整这些参数，来创建从一个一维空间到另一个一维空间的任何线性映射。
线性代数的优点在于，在从任意m维空间到任意n维空间进行线性映射时，可使用相同公式。例如，在将三维空间（x1，x2，x3）中的某个点映射到另一个三维空间（y1，y2，y3）中，均可使用以下公式。
△
三维空间之间的映射函数
数学家认为上面公式写得太冗长了，所以设计了一种更容易的表示方法：矩阵乘法。
三维映射关系也可以这么表示：
或者，更简单写成：
其中，x和y为3维列向量，W为3×3的权重矩阵，b是3维偏置列向量。是的，它与一维空间的映射函数完全一样。而且，该公式可应用于m维空间和n维空间之间的任何线性映射，这就是所谓的“线性模型”。
那么，线性模型在本项目能起到什么作用呢？我们可以利用它，将“手套传感器数据”的3维空间转换为“石头剪刀布”的3维空间，如下所示：
△
3维空间的动态转换
在完成手套传感器数据与“石头剪刀布”3维空间的配对后，很容易写出用于分类的IF语句，如下：
