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，在一個任務上訓練的模型被重新用于第二個相關的任務。遷移學習的另一個關鍵應用是當數(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。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基礎模型是很重要的。凍結后將防止我們的基礎模型中的權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域的起點。事實上，試著改進你的基礎CNN模型來匹配或超過基準性能。你可以從VGG16等的架構中學習超參數(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，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)建能夠實現(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，以便更好地識別特性。