讓我們可視化來自橄欖球和足球的隨機圖像：plt．figure（figsize ＝ （5，5））
plt．imshow（train［1］［0］）
plt．title（labels［train［0］［1］］）
輸出：

足球圖片也應用相同操作：plt．figure（figsize ＝ （5，5））
plt．imshow（train［－1］［0］）
plt．title（labels［train［－1］［1］］）
輸出：

步驟4： 數(shù)據(jù)預處理和數(shù)據(jù)增強接下來，在繼續(xù)構(gòu)建模型之前，我們執(zhí)行一些數(shù)據(jù)預處理和數(shù)據(jù)增強。x＿train ＝ ［］
y＿train ＝ ［］
x＿val ＝ ［］
y＿val ＝ ［］
for feature， label in train：
 x＿train．a(chǎn)ppend（feature）
 y＿train．a(chǎn)ppend（label）
for feature， label in val：
 x＿val．a(chǎn)ppend（feature）
 y＿val．a(chǎn)ppend（label）
＃ Normalize the data
x＿train ＝ np．a(chǎn)rray（x＿train） ／ 255
x＿val ＝ np．a(chǎn)rray（x＿val） ／ 255
x＿train．reshape（－1， img＿size， img＿size， 1）
y＿train ＝ np．a(chǎn)rray（y＿train）
x＿val．reshape（－1， img＿size， img＿size， 1）
y＿val ＝ np．a(chǎn)rray（y＿val）
對訓練數(shù)據(jù)的數(shù)據(jù)增強：datagen ＝ ImageDataGenerator（
       featurewise＿center＝False，  ＃ set input mean to 0 over the dataset
       samplewise＿center＝False，  ＃ set each sample mean to 0
       featurewise＿std＿normalization＝False，  ＃ divide inputs by std of the dataset
       samplewise＿std＿normalization＝False，  ＃ divide each input by its std
       zca＿whitening＝False，  ＃ apply ZCA whitening
       rotation＿range ＝ 30，  ＃ randomly rotate images in the range （degrees， 0 to 180）
       zoom＿range ＝ 0．2， ＃ Randomly zoom image
       width＿shift＿range＝0．1，  ＃ randomly shift images horizontally （fraction of total width）
       height＿shift＿range＝0．1，  ＃ randomly shift images vertically （fraction of total height）
       horizontal＿flip ＝ True，  ＃ randomly flip images
       vertical＿flip＝False）  ＃ randomly flip images
datagen．fit（x＿train）
步驟5： 定義模型讓我們定義一個簡單的CNN模型，有3個卷積層，然后是max－pooling層。在第3次maxpool操作后添加一個dropout層，以避免過度擬合。model ＝ Sequential（）
model．a(chǎn)dd（Conv2D（32，3，padding＝＂same＂， activation＝＂relu＂， input＿shape＝（224，224，3）））
model．a(chǎn)dd（MaxPool2D（））
model．a(chǎn)dd（Conv2D（32， 3， padding＝＂same＂， activation＝＂relu＂））
model．a(chǎn)dd（MaxPool2D（））
model．a(chǎn)dd（Conv2D（64， 3， padding＝＂same＂， activation＝＂relu＂））
model．a(chǎn)dd（MaxPool2D（））
model．a(chǎn)dd（Dropout（0．4））
model．a(chǎn)dd（Flatten（））
model．a(chǎn)dd（Dense（128，activation＝＂relu＂））
model．a(chǎn)dd（Dense（2， activation＝＂softmax＂））
model．summary（）
現(xiàn)在讓我們使用Adam作為優(yōu)化器，SparseCategoricalCrossentropy作為損失函數(shù)來編譯模型。我們使用較低的學習率0．000001來獲得更平滑的曲線。opt ＝ Adam（lr＝0．000001）
model．compile（optimizer ＝ opt ， loss ＝ tf．keras．losses．SparseCategoricalCrossentropy（from＿logits＝True） ， metrics ＝ ［＇accuracy＇］）
現(xiàn)在，讓我們訓練我們的模型500個epochs，因為我們的學習速率非常小。history ＝ model．fit（x＿train，y＿train，epochs ＝ 500 ， validation＿data ＝ （x＿val， y＿val））
步驟6： 評估結(jié)果我們將繪制我們的訓練和驗證的準確性以及訓練和驗證的損失。acc ＝ history．history［＇accuracy＇］
val＿acc ＝ history．history［＇val＿accuracy＇］
loss ＝ history．history［＇loss＇］
val＿loss ＝ history．history［＇val＿loss＇］
epochs＿range ＝ range（500）
plt．figure（figsize＝（15， 15））
plt．subplot（2， 2， 1）
plt．plot（epochs＿range， acc， label＝＇Training Accuracy＇）
plt．plot（epochs＿range， val＿acc， label＝＇Validation Accuracy＇）
plt．legend（loc＝＇lower right＇）
plt．title（＇Training and Validation Accuracy＇）
plt．subplot（2， 2， 2）
plt．plot（epochs＿range， loss， label＝＇Training Loss＇）
plt．plot（epochs＿range， val＿loss， label＝＇Validation Loss＇）
plt．legend（loc＝＇upper right＇）
plt．title（＇Training and Validation Loss＇）
plt．show（）
讓我們看看曲線是怎樣的－

我們可以打印出分類報告，看看精度和準確性。predictions ＝ model．predict＿classes（x＿val）
predictions ＝ predictions．reshape（1，－1）［0］
print（classification＿report（y＿val， predictions， target＿names ＝ ［＇Rugby （Class 0）＇，＇Soccer （Class 1）＇］））

我們可以看到，我們簡單的CNN模型能夠達到83％的準確率。通過一些超參數(shù)調(diào)整，我們或許可以提高2－3％的精度。我們還可以將一些預測錯誤的圖像可視化，看看我們的分類器哪里出錯了。遷移學習的藝術(shù)我們先來看看遷移學習是什么。遷移學習是一種機器學習技術(shù)，在一個任務上訓練的模型被重新用于第二個相關(guān)的任務。遷移學習的另一個關(guān)鍵應用是當數(shù)據(jù)集很小的時候，通過在相似的圖像上使用預先訓練過的模型，我們可以很容易地提高性能。既然我們的問題陳述很適合遷移學習，那么讓我們看看我們可以如何執(zhí)行一個預先訓練好的模型，以及我們能夠達到什么樣的精度。步驟1： 導入模型我們將從MobileNetV2模型創(chuàng)建一個基本模型。這是在ImageNet數(shù)據(jù)集上預先訓練的，ImageNet數(shù)據(jù)集是一個包含1．4M圖像和1000個類的大型數(shù)據(jù)集。這個知識庫將幫助我們從特定數(shù)據(jù)集中對橄欖球和足球進行分類。通過指定參數(shù) include＿top＝False，可以加載一個不包含頂部分類層的網(wǎng)絡(luò)。base＿model ＝ tf．keras．a(chǎn)pplications．MobileNetV2（input＿shape ＝ （224， 224， 3）， include＿top ＝ False， weights ＝ ＂imagenet＂）
在編譯和訓練模型之前凍結(jié)基礎(chǔ)模型是很重要的。凍結(jié)后將防止我們的基礎(chǔ)模型中的權(quán)重在訓練期間被更新。base＿model．trainable ＝ False

接下來，我們使用base＿model定義模型，然后使用GlobalAveragePooling函數(shù)將每個圖像的特征轉(zhuǎn)換為單個矢量。我們添加0．2的dropout和最終的全連接層，有2個神經(jīng)元和softmax激活。model ＝ tf．keras．Sequential（［base＿model，
                                tf．keras．layers．GlobalAveragePooling2D（），
                                tf．keras．layers．Dropout（0．2），
                                tf．keras．layers．Dense（2， activation＝＂softmax＂）                                    
                               ］）
接下來，讓我們編譯模型并開始訓練它。base＿learning＿rate ＝ 0．00001
model．compile（optimizer＝tf．keras．optimizers．Adam（lr＝base＿learning＿rate），
             loss＝tf．keras．losses．BinaryCrossentropy（from＿logits＝True），
             metrics＝［＇accuracy＇］）
history ＝ model．fit（x＿train，y＿train，epochs ＝ 500 ， validation＿data ＝ （x＿val， y＿val））
步驟2： 評估結(jié)果acc ＝ history．history［＇accuracy＇］
val＿acc ＝ history．history［＇val＿accuracy＇］
loss ＝ history．history［＇loss＇］
val＿loss ＝ history．history［＇val＿loss＇］
epochs＿range ＝ range（500）
plt．figure（figsize＝（15， 15））
plt．subplot（2， 2， 1）
plt．plot（epochs＿range， acc， label＝＇Training Accuracy＇）
plt．plot（epochs＿range， val＿acc， label＝＇Validation Accuracy＇）
plt．legend（loc＝＇lower right＇）
plt．title（＇Training and Validation Accuracy＇）
plt．subplot（2， 2， 2）
plt．plot（epochs＿range， loss， label＝＇Training Loss＇）
plt．plot（epochs＿range， val＿loss， label＝＇Validation Loss＇）
plt．legend（loc＝＇upper right＇）
plt．title（＇Training and Validation Loss＇）
plt．show（）
讓我們看看曲線是怎樣的－

我們也打印一下分類報告，以便得到更詳細的結(jié)果。predictions ＝ model．predict＿classes（x＿val）
predictions ＝ predictions．reshape（1，－1）［0］
print（classification＿report（y＿val， predictions， target＿names ＝ ［＇Rugby （Class 0）＇，＇Soccer （Class 1）＇］））

我們可以看到，通過遷移學習，我們可以得到更好的結(jié)果。橄欖球和足球的精度都高于我們的CNN模型，而且總體精度達到了91％，這對于這樣一個小數(shù)據(jù)集來說是非常好的。通過一些超參數(shù)調(diào)優(yōu)和更改參數(shù)，我們也可以獲得更好的性能！下一步是什么？這只是計算機視覺領(lǐng)域的起點。事實上，試著改進你的基礎(chǔ)CNN模型來匹配或超過基準性能。你可以從VGG16等的架構(gòu)中學習超參數(shù)調(diào)優(yōu)的一些線索。你可以使用相同的ImageDataGenerator來增強圖像并增加數(shù)據(jù)集的大小。此外，你還可以嘗試實現(xiàn)更新和更好的架構(gòu)，如DenseNet和XceptionNet。你也可以移動到其他的計算機視覺任務，如目標檢測和分割，你將意識到這些任務也可以簡化為圖像分類。尾注祝賀你已經(jīng)學習了如何創(chuàng)建自己的數(shù)據(jù)集、創(chuàng)建CNN模型或執(zhí)行遷移學習來解決問題。我們在這篇文章中學到了很多，從學習尋找圖像數(shù)據(jù)到創(chuàng)建能夠?qū)崿F(xiàn)合理性能的簡單CNN模型。我們還學習了遷移學習的應用，進一步提高了我們的績效。這還沒有結(jié)束，我們看到我們的模型錯誤分類了很多圖像，這意味著仍然有改進的空間。我們可以從尋找更多的數(shù)據(jù)開始，甚至實現(xiàn)更好的、最新的架構(gòu)，以便更好地識別特性。