labview实现机器学习和深度学习的方法总结
机器学习
Analytics and Machine Learning Toolkit（分析和机器学习工具包）
机器学习过程包含以下步骤：
数据收集-使用数据采集设备或其他来源收集数据。
特征提取-使用LabVIEW中可用的信号处理工具（例如LabVIEW Advanced Signal Processing Toolkit，Electric Power Toolkit，NI Sound and Vibration Measurement Suite，Vision Development Module等），根据您的领域知识提取特征。
降低维度—减少数据的维数，以便您可以将简化的数据用于模型训练。
模型创建-使用训练数据训练机器学习模型。
模型验证-使用模型评估指标来验证模型。
部署-在部署数据上部署训练有素的模型。
深度学习
1. 科研用途
labview2018及以上内置调用python函数，labview与python需位数一致。自行配置python环境，深度学习框架，无法进行封装。
参考链接
Labview调用python的两种方法
LabVIEW 调用 Python的三种方法
深度学习应用程序开发：Python+LabVIEW 混合编程
2. 商业用途
2.1 LabVIEW/Python 集成工具包- Enthought
可封装，但不再维护
LabVIEW / Python集成工具包-有思想
工具包生命周期终止
用户指南
2.2 Labview VDM
在LabVIEW中开发TensorFlow深度学习程序一共有两步：
第一步，使用TensorFlow训练深度学习模型；这一步，NI视觉开发模块并没有对应的软件工具，也没有详细介绍如何从零开始基于TensorFlow搭建深度学习模型训练环境，训练TensorFlow模型并导出模型导入器需要的*.pb文件。
第二步：将深度学习模型部署至NI硬件；这一步，NI视觉开发模块有模型导入器和范例程序，参看NI官网介绍。
【人工智能之深度学习基础必学课】每天5分钟，东哥手把手教您LabVIEW快速学习视觉
2.3 python封装
通过Labview调用python封装后的exe或dll python封装成exe
案例