我使用了Python的OpenCV庫進行所有與相機相關(guān)的操作，所以這里的label指的是圖像屬于哪個類，根據(jù)標簽，圖像保存在適當?shù)哪夸浿�。ct和maxCt是用來保存圖像的起始索引和最終索引，剩下的是標準的OpenCV代碼，用于獲取網(wǎng)絡(luò)攝像頭源并將圖像保存到目錄中。需要注意的一點是，我所有的圖片維數(shù)都是300 x 300的。運行此目錄樹后，我的目錄樹如下所示。

C：．

├───paper

│ paper0．jpg

│ paper1．jpg

│ paper2．jpg

│

├───rock

│ rock0．jpg

│ rock1．jpg

│ rock2．jpg

│

└───scissor

scissor0．jpg

scissor1．jpg

scissor2．jpg

如果你引用的是Github存儲庫（https：／／github．com／HOD101s／RockPaperScissor－AI－） ，則getData．py會為你完成這項工作！預處理我們的數(shù)據(jù)我們需要使用圖像，而計算機可以識別數(shù)字，因此，我們將所有圖像轉(zhuǎn)換為它們各自的矢量表示，另外，我們的標簽尚待生成，由于已建立的標簽不能是文本，因此我使用shape＿to＿label字典為每個類手動構(gòu)建了“獨熱編碼”表示。

DATA＿PATH ＝ sys．a(chǎn)rgv［1］ ＃ Path to folder containing data

shape＿to＿label ＝ ｛＇rock＇：np．a(chǎn)rray（［1．，0．，0．，0．］），＇paper＇：np．a(chǎn)rray（［0．，1．，0．，0．］），＇scissor＇：np．a(chǎn)rray（［0．，0．，1．，0．］），＇ok＇：np．a(chǎn)rray（［0．，0．，0．，1．］）｝

arr＿to＿shape ＝ ｛np．a(chǎn)rgmax（shape＿to＿label［x］）：x for x in shape＿to＿label．keys（）｝

imgData ＝ list（）

labels ＝ list（）

for dr in os．listdir（DATA＿PATH）：

if dr not in ［＇rock＇，＇paper＇，＇scissor＇］：

continue

print（dr）

lb ＝ shape＿to＿label［dr］

i ＝ 0

for pic in os．listdir（os．path．join（DATA＿PATH，dr））：

path ＝ os．path．join（DATA＿PATH，dr＋＇／＇＋pic）

img ＝ cv2．imread（path）

imgData．a(chǎn)ppend（［img，lb］）

imgData．a(chǎn)ppend（［cv2．flip（img， 1），lb］） ＃horizontally flipped image

imgData．a(chǎn)ppend（［cv2．resize（img［50：250，50：250］，（300，300）），lb］） ＃ zoom ： crop in and resize

i＋＝3

print（i）

np．random．shuffle（imgData）

imgData，labels ＝ zip（＊imgData）

imgData ＝ np．a(chǎn)rray（imgData）

labels ＝ np．a(chǎn)rray（labels）

當我們根據(jù)類將圖像保存在目錄中時，目錄名用作標簽，該標簽使用shape＿to＿label字典轉(zhuǎn)換為獨熱表示。在我們遍歷系統(tǒng)中的文件以訪問圖像之后，cv2．imread（）函數(shù)返回圖像的矢量表示。我們通過翻轉(zhuǎn)圖像并放大圖像來進行一些手動的數(shù)據(jù)增強，這增加了我們的數(shù)據(jù)集大小，而無需拍攝新照片，數(shù)據(jù)增強是生成數(shù)據(jù)集的關(guān)鍵部分。最后，圖像和標簽存儲在單獨的numpy數(shù)組中。cv2．imread（）函數(shù)https：／／www．geeksforgeeks．org／python－opencv－cv2－imread－method／更多關(guān)于數(shù)據(jù)增強的信息。https：／／towardsdatascience．com／data－augmentation－for－deep－learning－4fe21d1a4eb9通過遷移學習建立我們的模型：在處理圖像數(shù)據(jù)時，有許多經(jīng)過預訓練的模型可供使用，這些模型已經(jīng)在具有數(shù)千個標簽的數(shù)據(jù)集上進行了訓練，由于這些模型通過其應用程序api的Tensorflow和Keras分布，我們可以使用這些模型，這使得在我們的應用程序中包含這些預先訓練的模型看起來很容易！

總之，遷移學習采用的是經(jīng)過預訓練的模型，并且不包含進行最終預測的最終層，能夠區(qū)分這種情況下圖像中的特征，并將這些信息傳遞給我們自己的Dense神經(jīng)網(wǎng)絡(luò)。為什么不訓練你自己的模型呢？完全取決于你！然而，使用遷移學習可以在很多時候使你的進步更快，從某種意義上說，你避免了重復造輪子。