new＿train ＝ np．a(chǎn)sarray（new＿train）
＃ CLEANED IMAGES
for i in range（8）：
   plt．subplot（2，4，i＋1）
   plt．imshow（new＿train［i］）

將標(biāo)簽轉(zhuǎn)換為數(shù)字

標(biāo)簽是字符串，這些很難處理。因此，我們將這些標(biāo)簽轉(zhuǎn)換為二元分類。

分類可以由 12 個數(shù)字組成的數(shù)組表示，這些數(shù)字將遵循以下條件：

如果未檢測到物種，則為 0。

1 如果檢測到該物種。

示例：如果檢測到 Blackgrass，則數(shù)組將為 ＝ ［1，0，0，0，0，0，0，0，0，0，0，0］

labels ＝ preprocessing．LabelEncoder（）
labels．fit（traininglabels［0］）
print（＇Classes＇＋str（labels．classes＿））
encodedlabels ＝ labels．transform（traininglabels［0］）
clearalllabels ＝ np＿utils．to＿categorical（encodedlabels）
classes ＝ clearalllabels．shape［1］
print（str（classes））
traininglabels［0］．value＿counts（）．plot（kind＝＇pie＇）

定義我們的模型并拆分?jǐn)?shù)據(jù)集

在這一步中，我們將拆分訓(xùn)練數(shù)據(jù)集進(jìn)行驗證。我們正在使用 scikit－learn 中的 train＿test＿split（） 函數(shù)。這里我們拆分?jǐn)?shù)據(jù)集，保持 test＿size＝0．1。這意味著總數(shù)據(jù)的 10％ 用作測試數(shù)據(jù)，其余 90％ 用作訓(xùn)練數(shù)據(jù)。檢查以下代碼以拆分?jǐn)?shù)據(jù)集。new＿train ＝ new＿train／255
x＿train，x＿test，y＿train，y＿test ＝ train＿test＿split（new＿train，clearalllabels，test＿size＝0．1，random＿state＝seed，stratify＝clearalllabels）
防止過擬合

過擬合是機(jī)器學(xué)習(xí)中的一個問題，我們的模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)非常好，但在測試數(shù)據(jù)上表現(xiàn)不佳。在深度神經(jīng)網(wǎng)絡(luò)過度擬合的深度學(xué)習(xí)中，過度擬合的問題很嚴(yán)重。過度擬合的問題嚴(yán)重影響了我們的最終結(jié)果。為了擺脫它，我們需要減少它。在這個問題中，我們使用 ImageDataGenerator（） 函數(shù)隨機(jī)改變圖像的特征并提供數(shù)據(jù)的隨機(jī)性。、為了避免過擬合，我們需要一個函數(shù)。此函數(shù)隨機(jī)改變圖像特性。檢查以下代碼以了解如何減少過度擬合generator ＝ ImageDataGenerator（rotation＿range ＝ 180，zoom＿range ＝ 0．1，width＿shift＿range ＝ 0．1，height＿shift＿range ＝ 0．1，horizontal＿flip ＝ True，vertical＿flip ＝ True）
generator．fit（x＿train）

定義卷積神經(jīng)網(wǎng)絡(luò)

我們的數(shù)據(jù)集由圖像組成，因此我們不能使用線性回歸、邏輯回歸、決策樹等機(jī)器學(xué)習(xí)算法。我們需要一個用于圖像的深度神經(jīng)網(wǎng)絡(luò)。在這個問題中，我們將使用卷積神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)將圖像作為輸入，并將提供最終輸出作為物種值。我們隨機(jī)使用了 4 個卷積層和 3 個全連接層。此外，我們使用了多個函數(shù)，如 Sequential（）、Conv2D（）、Batch Normalization、Max Pooling、Dropout 和 Flatting。

我們使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

該模型有 4 個卷積層。

該模型有 3 個全連接層。

np．random．seed（seed）
model ＝ Sequential（）
model．a(chǎn)dd（Conv2D（filters＝64， kernel＿size＝（5， 5）， input＿shape＝（scale， scale， 3）， activation＝＇relu＇））
model．a(chǎn)dd（BatchNormalization（axis＝3））
model．a(chǎn)dd（Conv2D（filters＝64， kernel＿size＝（5， 5）， activation＝＇relu＇））
model．a(chǎn)dd（MaxPooling2D（（2， 2）））
model．a(chǎn)dd（BatchNormalization（axis＝3））
model．a(chǎn)dd（Dropout（0．1））
model．a(chǎn)dd（Conv2D（filters＝128， kernel＿size＝（5， 5）， activation＝＇relu＇））
model．a(chǎn)dd（BatchNormalization（axis＝3））
model．a(chǎn)dd（Conv2D（filters＝128， kernel＿size＝（5， 5）， activation＝＇relu＇））
model．a(chǎn)dd（MaxPooling2D（（2， 2）））
model．a(chǎn)dd（BatchNormalization（axis＝3））
model．a(chǎn)dd（Dropout（0．1））
model．a(chǎn)dd（Conv2D（filters＝256， kernel＿size＝（5， 5）， activation＝＇relu＇））
model．a(chǎn)dd（BatchNormalization（axis＝3））
model．a(chǎn)dd（Conv2D（filters＝256， kernel＿size＝（5， 5）， activation＝＇relu＇））
model．a(chǎn)dd（MaxPooling2D（（2， 2）））
model．a(chǎn)dd（BatchNormalization（axis＝3））
model．a(chǎn)dd（Dropout（0．1））
model．a(chǎn)dd（Flatten（））
model．a(chǎn)dd（Dense（256， activation＝＇relu＇））
model．a(chǎn)dd（BatchNormalization（））
model．a(chǎn)dd（Dropout（0．5））
model．a(chǎn)dd（Dense（256， activation＝＇relu＇））
model．a(chǎn)dd（BatchNormalization（））
model．a(chǎn)dd（Dropout（0．5））
model．a(chǎn)dd（Dense（classes， activation＝＇softmax＇））
model．compile（loss＝＇categorical＿crossentropy＇， optimizer＝＇adam＇， metrics＝［＇accuracy＇］）
model．summary（）