update

aikit/AI_1.md

@@ -93,25 +93,21 @@ AI 模组作为人工智能相关应用的主控模组，拥有基础计算机
 Blockly X图形化编程工具，是可用于学习Python基础以及AI模组的在线编程环境。通过这款工具可以给IoT模组和AI推理模组编写程式及上传程式。<br>
 在Chrome浏览器输入网址 https://demo-lecode.smartedu.lenovo.com/blockpy/ ，即可开始在Blockly X编程。<br>
 <img src="./media/ai/AI_coco1.png" width="350"/>
-1. 文档存取区：程式项目命名、保存（保存为.xml档）、删除所有积木及所有积木一键截图
-2. 模式切换区：样例加载、模式切换（主机板模组与 AI 模组）<br>
+1. 文档存取区：程式项目命名、保存（保存为.xml档）及所有积木一键截图
+2. 模式切换区：模式切换（主机板模式、AI 模式与python代码模式）、样例加载<br>
 <img src="./media/ai/AI_coco2.png" width="350"/>
-3. 辅助区：学习资料、项目档导入及导出、语言设置、以及用户登入
-<br>其中，学习资料按钮，可以跳转至EDU或者AI HUB学习平台：<br>
-<img src="./media/ai/AI_coco3.png" width="350"/>
-<img src="./media/ai/AI_coco4.png" width="350"/>
+3. 辅助区：语言设置、项目档导入及导出、固件升级以及帮助文档
 4.	积木指令区：除基础积木以外（由「逻辑」至「序列埠通讯」），不同模式下拥有不同的扩展积木
 5.	积木编程区：将积木拖入此区域中以进行程式编写
 6.	Python编程区：当用户将积木拖入积木编程区以后，此处将会生成对应的Python源代码，支持用户对代码进行编辑、复制、下载及上传，下载后缀为 .py格式的python文档<br>
-<img src="./media/ai/AI_coco5.png" width="350"/>
-7.	上传区：用户可选择使用有线或者无线上传模式
+7.	上传区：用户可选择使用运行和上传代码
 
 ---
 ## C.	Blockly Uploader
 Blockly Uploader是一款跨平台的上传插件，安装后可以使Blockly X实现浏览器、IoT模组和AI推理模组间的通讯，将编写完成的程式上传到相关模组。安装方法如下：
 1. 进入Blockly X编程平台，https://demo-lecode.smartedu.lenovo.com/blockpy/ <br>
 <img src="./media/ai/AI_uploader1.png" width="350"/>
-2.	将滑鼠移向右下方「上传区域」的「下载」图示位置，点按「Windows」下载Uploader，如果是Mac系统，则点按「Mac」进行下载。<br>
+2.	将滑鼠移向导航栏「连接」的「下载安装程序」图示位置，点按「Windows」下载Uploader，如果是Mac系统，则点按「Mac」进行下载。<br>
 <img src="./media/ai/AI_uploader2.png" width="350"/>
 
 #### Windows系统下的安装：
@@ -130,8 +126,6 @@ Blockly Uploader是一款跨平台的上传插件，安装后可以使Blockly X
 <img src="./media/ai/AI_upload8.png" width="210"/><br>
 5. 最后，点按「完成」结束Uploader安装程式 <br>
 <img src="./media/ai/AI_upload9.png" width="210"/>
-<img src="./media/ai/AI_upload10.png" width="210"/><br>
-6. 点击GO TO Blockly X即可进入积木编程页面
 
 #### Mac系统下的安装：
 1)「Mac」用户右键点击安装档案，选择“安装程式（预设值）”进行安装<br>
@@ -155,13 +149,9 @@ Blockly Uploader是一款跨平台的上传插件，安装后可以使Blockly X
 2.	在上方「切换区域」选择AI模组：
 <br>
 <img src="./media/ai/AI_shangchuan2.png" width="350"/><br>
-3.	在右下方「上传区域」检查以下设定：
-<br>
-<img src="./media/ai/AI_shangchuan3.png" width="350"/><br>
-4.	在「上传区域」点按如下图所示中，左下角位置的「运行」按钮上传程式到AI模组中。
+3.	在「上传区域」点按如下图所示中，左下角位置的「运行」按钮上传程式到AI模组中。
 <br>
 <img src="./media/ai/AI_shangchuan4.png" width="350"/><br>
-
 上传失败或出现其他错误，请参阅：[Uploader常见错误处理](/aikit/A0.md)。
 
 ##### 注意：

aikit/AI_4.md

@@ -67,25 +67,7 @@
 ###### 3)	人类学习过程和电脑学习过程的对比
 前面我们给出了人类学习和认识数字的过程，也就是下图左边的部分，通过上一节的学习，我们知道了电脑学习并认识数字的过程，那么总结起来，就是下图右边所示的步骤。
 <br><img src="./media/ai/AI_p8.png" width="350"/><br>
-###### 4)	手写数字识别的实现演示
-我们知道了手写数字识别的原理，那么，现在就来看看实际电脑中是如何实现图像识别的吧。
-打开网址：https://ai-blockly.cocorobo.hk/ ，进入AI blockly页面。<br>
-进入后，首先选择Examples选项。
-<br><img src="./media/ai/AI_p9.png" width="350"/><br>
-然后，继续选择Tensor Flow选项，然后选择Digit Recognition选项，并选择OK。
-<br><img src="./media/ai/AI_p10.png" width="350"/><img src="./media/ai/AI_p11.png" width="350"/><br>
-然后，就会出现如下图所示的积木程式块。
-<br><img src="./media/ai/AI_p12.png" width="350"/><br>
-继续点击右下角区域中的RUN按钮，即可开始训练。
-<br><img src="./media/ai/AI_p13.png" width="350"/><br>
-训练的迭代过程中，会产生如下图所示的函数曲线图及网路结构资讯（Model Architecture），可通过观察曲线图的变化，来判断训练执行的状态及模型的训练效果。
-<br><img src="./media/ai/AI_p14.png" width="350"/><br>
-如上图所示，是演示的最终效果，左边是曲线图，第一副图是训练集（loss）和验证集（val_loss）的loss变化曲线，loss是损失函数，即模型预测出的结果与标签标注的真实值的差值。这个差值是随著训练轮数Epoch的增加而逐渐减小的。<br>
-第二幅图是训练集（acc）和验证集（val_acc）的准确率变化曲线，准确率为识别正确的图像个数除以总的图像数的比值，该值随著Epoch的增加而逐渐增大。<br>
-右侧为推理测试区，在画布中写出你要测试的数字，点击Detect，即可得到最终的识别结果。<br>
-其结果将打印显示在右上方区域的Console中。
-<br><img src="./media/ai/AI_p15.png" width="350"/><img src="./media/ai/AI_p16.png" width="350"/><br>
-手写数字识别的整个实现过程到这里就结束了。<br>
+
 接下来，我们来学习今天最重要的部分——物体识别。
 
 ---

summary.md

@@ -9,5 +9,5 @@
 	- [应用篇](extension/EX_02)
 	- [通讯篇](extension/EX_03)
 - [Uploader常见错误处理](aikit/A0)
-- [AI模块更新固件步骤说明](aikit/A2)
+<!-- - [AI模块更新固件步骤说明](aikit/A2) -->
 - [版本更新日志](changelog)