小程序使用TensorFlow 进行动作识别代码

以下是一个使用TensorFlow进行动作识别的示例代码：

import tensorflow as tf
import numpy as np

# 加载模型
model = tf.keras.models.load_model('my_model.h5')

# 定义标签
LABELS = ['打开冰箱', '关上冰箱', '喝水']

# 定义采样频率和时间步长
SAMPLE_RATE = 50
TIME_STEP = 2.56

# 定义数据预处理函数
def preprocess_data(data):
    # 对数据进行归一化处理
    data = (data - np.mean(data, axis=0)) / np.std(data, axis=0)
    # 将数据变形为样本数、时间步长、特征数的形状
    data = np.reshape(data, (1, -1, 3))
    return data

# 初始化数据缓存
cache = np.zeros((int(TIME_STEP * SAMPLE_RATE), 3), dtype=np.float32)
cache_idx = 0

# 定义动作识别函数
def recognize_action(data):
    global cache, cache_idx
    # 将新数据加入数据缓存
    cache[cache_idx] = data
    cache_idx += 1
    # 如果数据缓存已满，则预测动作
    if cache_idx == int(TIME_STEP * SAMPLE_RATE):
        data = preprocess_data(cache)
        pred = model.predict(data)[0]
        action_idx = np.argmax(pred)
        action_label = LABELS[action_idx]
        # 打印预测结果
        print('Recognized action:', action_label)
        # 重置数据缓存
        cache = np.zeros((int(TIME_STEP * SAMPLE_RATE), 3), dtype=np.float32)
        cache_idx = 0

# 模拟实时数据流
while True:
    # 从传感器获取加速度数据
    data = np.array([1.2, 0.3, -0.4])  # 示例数据
    # 进行动作识别
    recognize_action(data)

在这个示例代码中，我们首先加载了一个已经训练好的模型，然后定义了一些数据预处理函数。接下来，我们初始化了一个数据缓存，并不断地从传感器获取加速度数据，将数据加入数据缓存中。当数据缓存已满时，我们将数据进行预处理，并使用模型进行预测，得到一个动作的概率分布。我们选择概率最大的动作作为预测结果，并打印出来。最后，我们重置数据缓存，继续接收新的数据。