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

将标签转换为数字

标签是字符串，这些很难处理。因此，我们将这些标签转换为二元分类。

分类可以由 12 个数字组成的数组表示，这些数字将遵循以下条件：

如果未检测到物种，则为 0。

1 如果检测到该物种。

示例：如果检测到 Blackgrass，则数组将为 ＝ ［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＇）

定义我们的模型并拆分数据集

在这一步中，我们将拆分训练数据集进行验证。我们正在使用 scikit－learn 中的 train＿test＿split（） 函数。这里我们拆分数据集，保持 test＿size＝0．1。这意味着总数据的 10％ 用作测试数据，其余 90％ 用作训练数据。检查以下代码以拆分数据集。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）
防止过拟合

过拟合是机器学习中的一个问题，我们的模型在训练数据上表现非常好，但在测试数据上表现不佳。在深度神经网络过度拟合的深度学习中，过度拟合的问题很严重。过度拟合的问题严重影响了我们的最终结果。为了摆脱它，我们需要减少它。在这个问题中，我们使用 ImageDataGenerator（） 函数随机改变图像的特征并提供数据的随机性。、为了避免过拟合，我们需要一个函数。此函数随机改变图像特性。检查以下代码以了解如何减少过度拟合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）

定义卷积神经网络

我们的数据集由图像组成，因此我们不能使用线性回归、逻辑回归、决策树等机器学习算法。我们需要一个用于图像的深度神经网络。在这个问题中，我们将使用卷积神经网络。该神经网络将图像作为输入，并将提供最终输出作为物种值。我们随机使用了 4 个卷积层和 3 个全连接层。此外，我们使用了多个函数，如 Sequential（）、Conv2D（）、Batch Normalization、Max Pooling、Dropout 和 Flatting。

我们使用卷积神经网络进行训练。

该模型有 4 个卷积层。

该模型有 3 个全连接层。

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