update

aikit/AI_1.md

@@ -93,25 +93,21 @@ AI 模組作爲人工智能相關應用的主控模組，擁有基礎計算機
 Blockly X圖形化編程工具，是可用於學習Python基礎以及AI模組的在綫編程環境。通過這款工具可以給IoT模組和AI推理模組編寫程式及上傳程式。<br>
 在Chrome瀏覽器輸入網址 https://demo-lecode.smartedu.lenovo.com/blockpy/ ，即可開始在Blockly X編程。<br>
 <img src="./media/ai/AI_coco1.png" width="350"/>
-1. 文檔存取區：程式項目命名、保存（保存為.xml檔）、刪除所有積木及所有積木一鍵截圖
-2. 模式切換區：樣例加載、模式切換（主機板模組與 AI 模組）<br>
+1. 文檔存取區：程式項目命名、保存（保存為.xml檔）及所有積木一鍵截圖
+2. 模式切換區：模式切換（主機板模組、AI 模組與 python代碼模式）、樣例加載<br>
 <img src="./media/ai/AI_coco2.png" width="350"/>
-3. 輔助區：學習資料、項目檔導入及導出、語言設置、以及用戶登入
-<br>其中，學習資料按鈕，可以跳轉至EDU或者AI HUB學習平臺：<br>
-<img src="./media/ai/AI_coco3.png" width="350"/>
-<img src="./media/ai/AI_coco4.png" width="350"/>
+3. 輔助區：語言設置、項目檔導入及導出、固件升級以及幫助文檔
 4.	積木指令區：除基礎積木以外（由「邏輯」至「序列埠通訊」），不同模式下擁有不同的擴展積木
 5.	積木編程區：將積木拖入此區域中以進行程式編寫
 6.	Python編程區：當用戶將積木拖入積木編程區以後，此處將會生成對應的Python源代碼，支持用戶對代碼進行編輯、複製、下載及上傳，下載後綴為 .py格式的python文檔<br>
-<img src="./media/ai/AI_coco5.png" width="350"/>
-7.	上傳區：用戶可選擇使用有線或者無線上傳模式
+7.	上傳區：用戶可選擇使用運行或者上傳代碼
 
 ---
 ## C.	Blockly Uploader
 Blockly Uploader是一款跨平臺的上傳插件，安裝後可以使Blockly X實現瀏覽器、IoT模組和AI推理模組間的通訊，將編寫完成的程式上傳到相關模組。安裝方法如下：
 1. 進入Blockly X編程平臺，https://demo-lecode.smartedu.lenovo.com/blockpy/ <br>
 <img src="./media/ai/AI_uploader1.png" width="350"/>
-2.	將滑鼠移向右下方「上傳區域」的「下載」圖示位置，點按「Windows」下載Uploader，如果是Mac系統，則點按「Mac」進行下載。<br>
+2.	將滑鼠移向導航欄「連接」的「下載安裝程序」圖示位置，點按「Windows」下載Uploader，如果是Mac系統，則點按「Mac」進行下載。<br>
 <img src="./media/ai/AI_uploader2.png" width="350"/>
 
 #### Windows系統下的安裝：
@@ -130,8 +126,6 @@ Blockly Uploader是一款跨平臺的上傳插件，安裝後可以使Blockly X
 <img src="./media/ai/AI_upload8.png" width="210"/><br>
 5. 最後，點按「完成」結束Uploader安裝程式 <br>
 <img src="./media/ai/AI_upload9.png" width="210"/>
-<img src="./media/ai/AI_upload10.png" width="210"/><br>
-6. 點擊GO TO Blockly X即可進入積木編程頁面
 
 #### Mac系統下的安裝：
 1)「Mac」用戶右鍵點擊安裝檔案，選擇“安裝程式（預設值）”進行安裝<br>
@@ -155,13 +149,9 @@ Blockly Uploader是一款跨平臺的上傳插件，安裝後可以使Blockly X
 2.	在上方「切換區域」選擇AI模組：
 <br>
 <img src="./media/ai/AI_shangchuan2.png" width="350"/><br>
-3.	在右下方「上傳區域」檢查以下設定：
-<br>
-<img src="./media/ai/AI_shangchuan3.png" width="350"/><br>
-4.	在「上傳區域」點按如下圖所示中，左下角位置的「運行」按鈕上傳程式到AI模組中。
+3.	在「上傳區域」點按如下圖所示中，左下角位置的「運行」按鈕上傳程式到AI模組中。
 <br>
 <img src="./media/ai/AI_shangchuan4.png" width="350"/><br>
-
 上傳失敗或出現其他錯誤，請參閲：[Uploader常見錯誤處理](/aikit/A0.md)。
 
 ##### 注意：

aikit/AI_4.md

@@ -67,25 +67,7 @@
 ###### 3)	人類學習過程和電腦學習過程的對比
 前面我們給出了人類學習和認識數字的過程，也就是下圖左邊的部分，通過上一節的學習，我們知道了電腦學習並認識數字的過程，那麼總結起來，就是下圖右邊所示的步驟。
 <br><img src="./media/ai/AI_p8.png" width="350"/><br>
-###### 4)	手寫數字識別的實現演示
-我們知道了手寫數字識別的原理，那麼，現在就來看看實際電腦中是如何實現圖像識別的吧。
-打開網址：https://ai-blockly.cocorobo.hk/ ，進入AI blockly頁面。<br>
-進入後，首先選擇Examples選項。
-<br><img src="./media/ai/AI_p9.png" width="350"/><br>
-然後，繼續選擇Tensor Flow選項，然後選擇Digit Recognition選項，並選擇OK。
-<br><img src="./media/ai/AI_p10.png" width="350"/><img src="./media/ai/AI_p11.png" width="350"/><br>
-然後，就會出現如下圖所示的積木程式塊。
-<br><img src="./media/ai/AI_p12.png" width="350"/><br>
-繼續點擊右下角區域中的RUN按鈕，即可開始訓練。
-<br><img src="./media/ai/AI_p13.png" width="350"/><br>
-訓練的迭代過程中，會產生如下圖所示的函數曲線圖及網路結構資訊（Model Architecture），可通過觀察曲線圖的變化，來判斷訓練執行的狀態及模型的訓練效果。
-<br><img src="./media/ai/AI_p14.png" width="350"/><br>
-如上圖所示，是演示的最終效果，左邊是曲線圖，第一副圖是訓練集（loss）和驗證集（val_loss）的loss變化曲線，loss是損失函數，即模型預測出的結果與標籤標注的真實值的差值。這個差值是隨著訓練輪數Epoch的增加而逐漸減小的。<br>
-第二幅圖是訓練集（acc）和驗證集（val_acc）的準確率變化曲線，準確率為識別正確的圖像個數除以總的圖像數的比值，該值隨著Epoch的增加而逐漸增大。<br>
-右側為推理測試區，在畫布中寫出你要測試的數字，點擊Detect，即可得到最終的識別結果。<br>
-其結果將打印顯示在右上方區域的Console中。
-<br><img src="./media/ai/AI_p15.png" width="350"/><img src="./media/ai/AI_p16.png" width="350"/><br>
-手寫數字識別的整個實現過程到這裏就結束了。<br>
+
 接下來，我們來學習今天最重要的部分——物體識別。
 
 ---