一、选题的背景
橄榄球起源于足球，二者即相似又有所区别。计算机技术发展至今，AI技术也有了极大的进步，通过机器学习不断的训练，AI对于足球和橄榄球的识别能力可以帮助人们对足球和橄榄球的分辨。机器学习是一种智能技术，对足球和橄榄球的分类识别，可以帮助我们了解足球和橄榄球的差异特征，使用机器学习技术来分析这些差异特征，从而提高计算机对足球和橄榄球的识别能力。
二、机器学习案例设计方案
从网站中下载相关的数据集，对数据集进行整理，给数据集中的文件打上标签，在python的环境中，对数据进行预处理，利用keras，构建网络，训练模型，将训练过程产生的数据保存为h5文件，查看验证集的损失和准确率，绘制训练过程中的损失曲线和精度曲线，从测试集中读取一条样本，建立模型，输入为原图像，输出为原模型的前8层的激活输出的特征图，显示第一层激活输出特的第一个滤波器的特征图，读取图像样本，改变其尺寸，导入图片测试模型。
数据集介绍：图像中可能有不同的方面帮助将其识别为足球和橄榄球，可能是球的形状或球员的服装。由于正在研究图像分类问题，我将数据结构分为：训练文件夹有2448张图片，足球和橄榄球两个类别都有1224张图片，验证文件夹有610张图片，足球和橄榄球两个类别都有350张图片，测试文件夹有20张图片。
数据结构如下：
输入–3078
-----训练–2448
------------足球–1224
------------橄榄球–1224
-----验证–610
------------足球–305
------------橄榄球–305
-----测试–20
数据集来源：极市平台https://www.cvmart.net/dataSets
三、机器学习的实现步骤
1.下载数据集
2.检查一下，看看每个分组（训练 / 验证 / 测试）中分别包含多少张图像
#检查一下，看看每个分组（训练 / 验证 / 测试）中分别包含多少张图像
import os
train_path="C:/soccer and rugby/train/"
print('足球的训练集图像数量:', len(os.listdir(train_path+"soccer")))
print('橄榄球的训练集图像数量:', len(os.listdir(train_path+"rugby")))
print('-----------------------------------')
valid_path="C:/soccer and rugby/validation/"
print('足球的验证集图像数量:', len(os.listdir(valid_path+"soccer")))
print('橄榄球的验证集图像数量:', len(os.listdir(valid_path+"rugby")))
print('-----------------------------------')
test_path="C:/soccer and rugby/test/"
print('测试集图像数量:', len(os.listdir(test_path)))
3.将足球和橄榄球的分类的小型卷积神经网络实例化
#将足球和橄榄球的分类的小型卷积神经网络实例化 from keras import layers from keras import models # 使用 Sequential model = models.Sequential() # 第1个 Conv2D + MaxPooling2D 组合 model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(150, 150, 3))) model.add(layers.MaxPooling2D((2, 2))) # 第2个 Conv2D + MaxPooling2D 组合 model.add(layers.Conv2D(64, (3, 3), activation="relu")) model.add(layers.MaxPooling2D((2, 2))) # 第3个 Conv2D + MaxPooling2D 组合 model.add(layers.Conv2D(128, (3, 3), activation="relu")) model.add(layers.MaxPooling2D((2, 2))) # 第4个 Conv2D + MaxPooling2D 组合 model.add(layers.Conv2D(128, (3, 3), activation="relu")) model.add(layers.MaxPooling2D((2, 2))) # 多维转为一维：7*7*128=6272 model.add(layers.Flatten()) # 参数数量：6272*512+512=3211776 model.add(layers.Dense(512, activation='relu')) # 参数数量：512*1+1=513 model.add(layers.Dense(1, activation='sigmoid'))
4.看一下特征图的维度如何随着每层变化
#看一下特征图的维度如何随着每层变化 model.summary()
5.编译模型
# 编译模型
# RMSprop 优化器。因为网络最后一层是单一sigmoid单元，
# 所以使用二元交叉熵作为损失函数
from keras import optimizers
model.compile(loss='binary_crossentropy',
optimizer=optimizers.RMSprop(lr=1e-4),
metrics=['acc'])
6.图像在输入神经网络之前进行数据处理，建立训练和验证数据
#图像在输入神经网络之前进行数据处理，建立训练和验证数据
from keras.preprocessing.image import ImageDataGenerator
#归一化
train_datagen = ImageDataGenerator(rescale = 1./255)
test_datagen = ImageDataGenerator(rescale = 1./255)
#指向训练集图片目录路径
train_dir = 'C:/soccer and rugby/train'
# 输入训练图像尺寸
train_generator = train_datagen.flow_from_directory(
train_dir,
target_size = (150,150),
batch_size = 20,
class_mode = 'binary')
#指向验证集图片目录路径
validation_dir = 'C:/soccer and rugby/validation'
validation_generator = test_datagen.flow_from_directory(
validation_dir,
target_size = (150,150),
batch_size = 20,
class_mode = 'binary')
#生成器不会停止，会循环生成这些批量，所以我们就循环生成一次批量
for data_batch,labels_batch in train_generator:
print('图像数据组成的批量:',data_batch.shape)
print('二进制标签组成的批量:',labels_batch.shape)
break
7.训练模型30轮次
#训练模型30轮次
history = model.fit(
train_generator,
steps_per_epoch = 100,
#训练30次
epochs = 30,
validation_data = validation_generator,
validation_steps = 50
8.将训练过程产生的数据保存为h5文件
#将训练过程产生的数据保存为h5文件
from keras.models import load_model
model.save('C:/soccer and rugby/soccer and rugby_30epoch.h5')
#如何打开.h5文件
from keras.models import load_model
from keras import layers
from keras import models
model=load_model('C:/soccer and rugby/soccer and rugby_30epoch.h5')
9.查看验证集的损失和准确率
#查看验证集的损失和准确率
validation_loss, validation_accuracy = model.evaluate(validation_generator)
print(f"Validation Loss: {validation_loss:.4f}")
print(f"Validation Accuracy: {validation_accuracy:.4f}")
10.绘制训练过程中的损失曲线和精度曲线
#绘制训练过程中的损失曲线和精度曲线
import matplotlib.pyplot as plt
acc = history.history['acc']
loss =history.history['loss']
epochs = range(1,len(acc) + 1)
plt.plot(epochs,acc,'bo',label='Training acc')
plt.plot(epochs,loss,'b',label='loss')
plt.title('Training and validation accuracy')
plt.legend()
#绘制训练过程中的损失曲线
import matplotlib.pyplot as plt
loss =history.history['loss']
epochs = range(1,len(acc) + 1)
plt.plot(epochs,loss,'b',label='loss')
plt.title('loss')
plt.legend()
#绘制训练过程中精度曲线
import matplotlib.pyplot as plt
acc = history.history['acc']
epochs = range(1,len(acc) + 1)
plt.plot(epochs,acc,'bo',label='Training acc')
plt.title(' accuracy')
plt.legend()
11.从测试集中读取一条样本并显示
#从测试集中读取一条样本 img_path = "C:/soccer and rugby/train/soccer/soccer.1125.jpg" import keras.utils as image import numpy as np img = image.load_img(img_path, target_size=(150,150)) img_tensor = image.img_to_array(img) img_tensor = np.expand_dims(img_tensor, axis=0) img_tensor /= 255 print(img_tensor.shape) #显示样本 import matplotlib.pyplot as plt plt.imshow(img_tensor[0]) plt.show()
12.建立模型，输入为原图像，输出为原模型的前8层的激活输出的特征图
#建立模型，输入为原图像，输出为原模型的前8层的激活输出的特征图 from keras import models layer_outputs = [layer.output for layer in model.layers[:8]] activation_model = models.Model(inputs=model.input, outputs=layer_outputs) #获得改样本的特征图 activations = activation_model.predict(img_tensor)
13.显示第一层激活输出特的第一个滤波器的特征图
#显示第一层激活输出特的第一个滤波器的特征图 import matplotlib.pyplot as plt first_layer_activation = activations[0] plt.matshow(first_layer_activation[0,:,:,1], cmap="viridis")
14.显示前4层激活输出的全部特征图
#显示前4层激活输出的全部特征图
#存储层的名称
layer_names = []
for layer in model.layers[:4]:
layer_names.append(layer.name)
# 每行显示16个特征图
images_pre_row = 16
#每行显示的特征图数
# 循环8次显示8层的全部特征图
for layer_name, layer_activation in zip(layer_names, activations):
n_features = layer_activation.shape[-1]
#保存当前层的特征图个数
size = layer_activation.shape[1]
#保存当前层特征图的宽高
n_col = n_features // images_pre_row
#计算当前层显示多少行
#生成显示图像的矩阵
display_grid = np.zeros((size*n_col, images_pre_row*size))
#遍历将每个特张图的数据写入到显示图像的矩阵中
for col in range(n_col):
for row in range(images_pre_row):
#保存该张特征图的矩阵(size,size,1)
channel_image = layer_activation[0,:,:,col*images_pre_row+row]
#为使图像显示更鲜明，作一些特征处理
channel_image -= channel_image.mean()
channel_image /= channel_image.std()
channel_image *= 64
channel_image += 128
#把该特征图矩阵中不在0-255的元素值修改至0-255
channel_image = np.clip(channel_image, 0, 255).astype("uint8")
#该特征图矩阵填充至显示图像的矩阵中
display_grid[col*size:(col+1)*size, row*size:(row+1)*size] = channel_image
scale = 1./size
#设置该层显示图像的宽高
plt.figure(figsize=(scale*display_grid.shape[1],scale*display_grid.shape[0]))
plt.title(layer_name)
plt.grid(False)
#显示图像
plt.imshow(display_grid, aspect="auto", cmap="viridis")
15.读取图像样本，改变其尺寸
#读取图像样本，改变其尺寸
#方法1
import keras.utils as image
import numpy as np
img_path = "C:/soccer and rugby/test/soccer.2.jpg"
img = image.load_img(img_path, target_size=(150,150))
img_tensor = image.img_to_array(img)
#转换成数组
img_tensor = np.expand_dims(img_tensor, axis=0)
img_tensor /= 255.
print(img_tensor.shape)
print(img_tensor[0][0])
plt.imshow(img_tensor[0])
plt.show()
#方法2
import matplotlib.pyplot as plt
from PIL import Image
import os.path
#将图片缩小到（150，150）的大小
def convertjpg(jpgfile,outdir,width=150,height=150):
img=Image.open(jpgfile)
try:
new_img=img.resize((width,height),Image.BILINEAR)
new_img.save(os.path.join(outdir,os.path.basename(new_file)))
except Exception as e:
print(e)
jpgfile="C:/soccer and rugby/test/soccer.2.jpg"
new_file="C:/soccer and rugby/soccer.3.jpg"
#图像大小改变到（150,150），文件名保存
convertjpg(jpgfile,r"C:/soccer and rugby")
img_scale = plt.imread('C:/soccer and rugby/soccer.3.jpg')
#显示改变图像大小后的图片确实变到了（150,150）大小
plt.imshow(img_scale)
16.导入图片测试模型
#导入模型soccer and rugby_30epoch.h5
from keras.models import load_model
model = load_model('C:/soccer and rugby/soccer and rugby_30epoch.h5')
#model.summary()
img_scale = plt.imread('C:/soccer and rugby/soccer.3.jpg')
img_scale = img_scale.reshape(1,150,150,3).astype('float32')
img_scale = img_scale/255
#归一化到0-1之间
#取图片信息
result = model.predict(img_scale)
#print(result)
img_scale = plt.imread('C:/soccer and rugby/soccer.3.jpg')
#显示图片
plt.imshow(img_scale)
if result>0.5:
print('该图片是足球的概率为：',result)
else:
print('该图片是橄榄球的概率为：',1-result)
17.读取自定义图像文件，改尺寸后保存
#读取自定义图像文件，改尺寸后保存
import matplotlib.pyplot as plt
from PIL import Image
import os.path
#将图片缩小到（150，150）的大小
def convertjpg(jpgfile,outdir,width=150,height=150):
img=Image.open(jpgfile)
try:
new_img=img.resize((width,height),Image.BILINEAR)
new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))
except Exception as e:
print(e)
#读取原图像
jpgfile = 'C:/soccer and rugby/sample/rugby.1.jpg'
#图像大小改变到（150,150）
convertjpg(jpgfile,"C:/A")
img_scale = plt.imread('C:/A/rugby.1.jpg')
#显示改变图像大小后的图片确实变到了（150,150）大小
plt.imshow(img_scale)
18.导入模型，测试上面保存的图片
#导入模型soccer and rugby_30epoch.h5
from keras.models import load_model
model = load_model('C:/soccer and rugby/soccer and rugby_30epoch.h5')
#归一化到0-1之间
img_scale = img_scale.reshape(1,150,150,3).astype('float32')
img_scale = img_scale/255
#取图片信息
result = model.predict(img_scale)
#print(result)
if result>0.5:
print('该图片是足球的概率为：',result)
else:
print('该图片是橄榄球的概率为：',1-result)
全部代码
1 #检查一下，看看每个分组（训练 / 验证 / 测试）中分别包含多少张图像
2 import os
3 train_path="C:/soccer and rugby/train/"
4 print('足球的训练集图像数量:', len(os.listdir(train_path+"soccer")))
5 print('橄榄球的训练集图像数量:', len(os.listdir(train_path+"rugby")))
6 print('-----------------------------------')
7 valid_path="C:/soccer and rugby/validation/"
8 print('足球的验证集图像数量:', len(os.listdir(valid_path+"soccer")))
9 print('橄榄球的验证集图像数量:', len(os.listdir(valid_path+"rugby")))
10 print('-----------------------------------')
11 test_path="C:/soccer and rugby/test/"
12 print('测试集图像数量:', len(os.listdir(test_path)))
13
14 #将足球和橄榄球的分类的小型卷积神经网络实例化
15 from keras import layers
16 from keras import models
17
18 # 使用 Sequential
19 model = models.Sequential()
20
21 # 第1个 Conv2D + MaxPooling2D 组合
22 model.add(layers.Conv2D(32, (3, 3), activation='relu',input_shape=(150, 150, 3)))
23 model.add(layers.MaxPooling2D((2, 2)))
24
25 # 第2个 Conv2D + MaxPooling2D 组合
26 model.add(layers.Conv2D(64, (3, 3), activation="relu"))
27 model.add(layers.MaxPooling2D((2, 2)))
28
29 # 第3个 Conv2D + MaxPooling2D 组合
30 model.add(layers.Conv2D(128, (3, 3), activation="relu"))
31 model.add(layers.MaxPooling2D((2, 2)))
32
33 # 第4个 Conv2D + MaxPooling2D 组合
34 model.add(layers.Conv2D(128, (3, 3), activation="relu"))
35 model.add(layers.MaxPooling2D((2, 2)))
36
37 # 多维转为一维：7*7*128=6272
38 model.add(layers.Flatten())
39
40 # 参数数量：6272*512+512=3211776
41 model.add(layers.Dense(512, activation='relu'))
42
43 # 参数数量：512*1+1=513
44 model.add(layers.Dense(1, activation='sigmoid'))
45
46 #看一下特征图的维度如何随着每层变化
47 model.summary()
48
49 # 编译模型
50 # RMSprop 优化器。因为网络最后一层是单一sigmoid单元，
51 # 所以使用二元交叉熵作为损失函数
52 from keras import optimizers
53
54 model.compile(loss='binary_crossentropy',
55 optimizer=optimizers.RMSprop(lr=1e-4),
56 metrics=['acc'])
57
58 #图像在输入神经网络之前进行数据处理，建立训练和验证数据
59 from keras.preprocessing.image import ImageDataGenerator
60
61 #归一化
62 train_datagen = ImageDataGenerator(rescale = 1./255)
63 test_datagen = ImageDataGenerator(rescale = 1./255)
64
65 #指向训练集图片目录路径
66 train_dir = 'C:/soccer and rugby/train'
67
68 # 输入训练图像尺寸
69 train_generator = train_datagen.flow_from_directory(
70 train_dir,
71 target_size = (150,150),
72 batch_size = 20,
73 class_mode = 'binary')
74
75 #指向验证集图片目录路径
76 validation_dir = 'C:/soccer and rugby/validation'
77
78 validation_generator = test_datagen.flow_from_directory(
79 validation_dir,
80 target_size = (150,150),
81 batch_size = 20,
82 class_mode = 'binary')
83
84 #生成器不会停止，会循环生成这些批量，所以我们就循环生成一次批量
85 for data_batch,labels_batch in train_generator:
86 print('图像数据组成的批量:',data_batch.shape)
87 print('二进制标签组成的批量:',labels_batch.shape)
88 break
89
90 #训练模型30轮次
91 history = model.fit(
92 train_generator,
93 steps_per_epoch = 100,
94 #训练30次
95 epochs = 30,
96 validation_data = validation_generator,
97 validation_steps = 50)
98
99 #将训练过程产生的数据保存为h5文件
100 from keras.models import load_model
101 model.save('C:/soccer and rugby/soccer and rugby_30epoch.h5')
102
103 #如何打开.h5文件
104 from keras.models import load_model
105 from keras import layers
106 from keras import models
107
108 model=load_model('C:/soccer and rugby/soccer and rugby_30epoch.h5')
109
110 #查看验证集的损失和准确率
111 validation_loss, validation_accuracy = model.evaluate(validation_generator)
112 print(f"Validation Loss: {validation_loss:.4f}")
113 print(f"Validation Accuracy: {validation_accuracy:.4f}")
114
115 #绘制训练过程中的损失曲线和精度曲线
116 import matplotlib.pyplot as plt
117
118 acc = history.history['acc']
119 loss =history.history['loss']
120
121 epochs = range(1,len(acc) + 1)
122
123 plt.plot(epochs,acc,'bo',label='Training acc')
124 plt.plot(epochs,loss,'b',label='loss')
125 plt.title('Training and validation accuracy')
126 plt.legend()
127
128 #绘制训练过程中的损失曲线
129 import matplotlib.pyplot as plt
130
131 loss =history.history['loss']
132 epochs = range(1,len(acc) + 1)
133 plt.plot(epochs,loss,'b',label='loss')
134 plt.title('loss')
135 plt.legend()
136
137 #绘制训练过程中精度曲线
138 import matplotlib.pyplot as plt
139 acc = history.history['acc']
140 epochs = range(1,len(acc) + 1)
141
142 plt.plot(epochs,acc,'bo',label='Training acc')
143 plt.title(' accuracy')
144 plt.legend()
145
146 #从测试集中读取一条样本
147 img_path = "C:/soccer and rugby/train/soccer/soccer.1125.jpg"
148
149 import keras.utils as image
150 import numpy as np
151
152 img = image.load_img(img_path, target_size=(150,150))
153 img_tensor = image.img_to_array(img)
154 img_tensor = np.expand_dims(img_tensor, axis=0)
155 img_tensor /= 255
156 print(img_tensor.shape)
157
158 #显示样本
159 import matplotlib.pyplot as plt
160 plt.imshow(img_tensor[0])
161 plt.show()
162
163 #建立模型，输入为原图像，输出为原模型的前8层的激活输出的特征图
164 from keras import models
165
166 layer_outputs = [layer.output for layer in model.layers[:8]]
167 activation_model = models.Model(inputs=model.input, outputs=layer_outputs)
168
169 #获得改样本的特征图
170 activations = activation_model.predict(img_tensor)
171
172 #显示第一层激活输出特的第一个滤波器的特征图
173 import matplotlib.pyplot as plt
174 first_layer_activation = activations[0]
175 plt.matshow(first_layer_activation[0,:,:,1], cmap="viridis")
176
177 #显示前4层激活输出的全部特征图
178 #存储层的名称
179 layer_names = []
180 for layer in model.layers[:4]:
181 layer_names.append(layer.name)
182 # 每行显示16个特征图
183 images_pre_row = 16
184 #每行显示的特征图数
185 # 循环8次显示8层的全部特征图
186 for layer_name, layer_activation in zip(layer_names, activations):
187 n_features = layer_activation.shape[-1]
188 #保存当前层的特征图个数
189 size = layer_activation.shape[1]
190 #保存当前层特征图的宽高
191 n_col = n_features // images_pre_row
192 #计算当前层显示多少行
193 #生成显示图像的矩阵
194 display_grid = np.zeros((size*n_col, images_pre_row*size))
195 #遍历将每个特张图的数据写入到显示图像的矩阵中
196 for col in range(n_col):
197 for row in range(images_pre_row):
198 #保存该张特征图的矩阵(size,size,1)
199 channel_image = layer_activation[0,:,:,col*images_pre_row+row]
200 #为使图像显示更鲜明，作一些特征处理
201 channel_image -= channel_image.mean()
202 channel_image /= channel_image.std()
203 channel_image *= 64
204 channel_image += 128
205 #把该特征图矩阵中不在0-255的元素值修改至0-255
206 channel_image = np.clip(channel_image, 0, 255).astype("uint8")
207 #该特征图矩阵填充至显示图像的矩阵中
208 display_grid[col*size:(col+1)*size, row*size:(row+1)*size] = channel_image
209 scale = 1./size
210 #设置该层显示图像的宽高
211 plt.figure(figsize=(scale*display_grid.shape[1],scale*display_grid.shape[0]))
212 plt.title(layer_name)
213 plt.grid(False)
214 #显示图像
215 plt.imshow(display_grid, aspect="auto", cmap="viridis")
216
217 #读取图像样本，改变其尺寸
218 #方法1
219 import keras.utils as image
220 import numpy as np
221
222 img_path = "C:/soccer and rugby/test/soccer.2.jpg"
223
224 img = image.load_img(img_path, target_size=(150,150))
225 img_tensor = image.img_to_array(img)
226 #转换成数组
227 img_tensor = np.expand_dims(img_tensor, axis=0)
228 img_tensor /= 255.
229 print(img_tensor.shape)
230 print(img_tensor[0][0])
231 plt.imshow(img_tensor[0])
232 plt.show()
233
234 #方法2
235 import matplotlib.pyplot as plt
236 from PIL import Image
237 import os.path
238
239 #将图片缩小到（150，150）的大小
240 def convertjpg(jpgfile,outdir,width=150,height=150):
241 img=Image.open(jpgfile)
242 try:
243 new_img=img.resize((width,height),Image.BILINEAR)
244 new_img.save(os.path.join(outdir,os.path.basename(new_file)))
245 except Exception as e:
246 print(e)
247
248 jpgfile="C:/soccer and rugby/test/soccer.2.jpg"
249 new_file="C:/soccer and rugby/soccer.3.jpg"
250 #图像大小改变到（150,150），文件名保存
251 convertjpg(jpgfile,r"C:/soccer and rugby")
252 img_scale = plt.imread('C:/soccer and rugby/soccer.3.jpg')
253
254 #显示改变图像大小后的图片确实变到了（150,150）大小
255 plt.imshow(img_scale)
256
257 #导入模型soccer and rugby_30epoch.h5
258
259 from keras.models import load_model
260 model = load_model('C:/soccer and rugby/soccer and rugby_30epoch.h5')
261 #model.summary()
262 img_scale = plt.imread('C:/soccer and rugby/soccer.3.jpg')
263 img_scale = img_scale.reshape(1,150,150,3).astype('float32')
264 img_scale = img_scale/255
265 #归一化到0-1之间
266
267 #取图片信息
268 result = model.predict(img_scale)
269
270 #print(result)
271 img_scale = plt.imread('C:/soccer and rugby/soccer.3.jpg')
272
273 #显示图片
274 plt.imshow(img_scale)
275
276 if result>0.5:
277 print('该图片是足球的概率为：',result)
278 else:
279 print('该图片是橄榄球的概率为：',1-result)
280
281 #读取自定义图像文件，改尺寸后保存
282
283 import matplotlib.pyplot as plt
284 from PIL import Image
285 import os.path
286
287 #将图片缩小到（150，150）的大小
288 def convertjpg(jpgfile,outdir,width=150,height=150):
289 img=Image.open(jpgfile)
290 try:
291 new_img=img.resize((width,height),Image.BILINEAR)
292 new_img.save(os.path.join(outdir,os.path.basename(jpgfile)))
293 except Exception as e:
294 print(e)
295
296 #读取原图像
297 jpgfile = 'C:/soccer and rugby/sample/rugby.1.jpg'
298 #图像大小改变到（150,150）
299 convertjpg(jpgfile,"C:/A")
300
301 img_scale = plt.imread('C:/A/rugby.1.jpg')
302 #显示改变图像大小后的图片确实变到了（150,150）大小
303 plt.imshow(img_scale)
304
305 #导入模型soccer and rugby_30epoch.h5
306
307 from keras.models import load_model
308 model = load_model('C:/soccer and rugby/soccer and rugby_30epoch.h5')
309
310 #归一化到0-1之间
311 img_scale = img_scale.reshape(1,150,150,3).astype('float32')
312 img_scale = img_scale/255
313
314 #取图片信息
315 result = model.predict(img_scale)
316 #print(result)
317 if result>0.5:
318 print('该图片是足球的概率为：',result)
319 else:
320 print('该图片是橄榄球的概率为：',1-result)
四、总结
本次的程序设计主要内容是机器学习——识别足球和橄榄球，通过本次课程设计，我对机器学习有了进一步的认识与了解，但在编写运行代码的过程中，也经常会遇到报错，通过一次次的修正，代码的编写也更快了。我切身感受到，在学习python的过程中，实践尤其的重要，只有通过亲自操作，才会发现自己学习过程中的不足之处，这对于我学习python，非常的有帮助。这次程序设计中，模型训练达到了预期的效果，但是发现自己刚开始对程序设计完整的构思并没有很清晰，所以花费了很多时间改正，通过这次的学习，我也将对于程序设计的构思有了进一步的完善。