我已經(jīng)使用DenseNet121模型進行特征提取，其輸出最終將輸入到我自己的Dense神經(jīng)網(wǎng)絡中。

densenet ＝ DenseNet121（include＿top＝False， weights＝＇imagenet＇， classes＝3，input＿shape＝（300，300，3））

densenet．trainable＝True

def genericModel（base）：

model ＝ Sequential（）

model．a(chǎn)dd（base）

model．a(chǎn)dd（MaxPool2D（））

model．a(chǎn)dd（Flatten（））

model．a(chǎn)dd（Dense（3，activation＝＇softmax＇））

model．compile（optimizer＝Adam（），loss＝＇categorical＿crossentropy＇，metrics＝［＇acc＇］）

return model

dnet ＝ genericModel（densenet）

history ＝ dnet．fit（

x＝imgData，

y＝labels，

batch＿size ＝ 16，

epochs＝8，

callbacks＝［checkpoint，es］，

validation＿split＝0．2

）

關鍵點 ：由于我們的圖片尺寸為300x300，因此指定的輸入形狀也為3x300x300，3代表RGB的維度信息，因此該層具有足夠的神經(jīng)元來處理整個圖像。我們將DenseNet層用作第一層，然后使用我們自己的Dense神經(jīng)網(wǎng)絡。我已將可訓練參數(shù)設置為True，這也會重新訓練DenseNet的權重。盡管花了很多時間，但是這給了我更好的結果。我建議你在自己的實現(xiàn)中嘗試通過更改此類參數(shù)（也稱為超參數(shù)）來嘗試不同的迭代。由于我們有3類Rock－Paper－Scissor，最后一層是具有3個神經(jīng)元和softmax激活的全連接層。最后一層返回圖像屬于3類中特定類的概率。如果你引用的是GitHub repo（https：／／github．com／HOD101s／RockPaperScissor－AI－） 的train．py，則要注意數(shù)據(jù)準備和模型訓練！至此，我們已經(jīng)收集了數(shù)據(jù)，建立并訓練了模型，剩下的部分是使用OpenCV進行部署OpenCV實現(xiàn)：此實現(xiàn)的流程很簡單：啟動網(wǎng)絡攝像頭并讀取每個幀將此框架傳遞給模型進行分類，即預測類用電腦隨意移動計算分數(shù)def prepImg（pth）：

return cv2．resize（pth，（300，300））．reshape（1，300，300，3）

with open（＇model．json＇， ＇r＇） as f：

loaded＿model＿json ＝ f．read（）

loaded＿model ＝ model＿from＿json（loaded＿model＿json）

loaded＿model．load＿weights（＂modelweights．h5＂）

print（＂Loaded model from disk＂）

for rounds in range（NUM＿ROUNDS）：

pred ＝ ＂＂

for i in range（90）：

ret，frame ＝ cap．read（）

＃ Countdown

if i／／20 ＜ 3 ：

frame ＝ cv2．putText（frame，str（i／／20＋1），（320，100），cv2．FONT＿HERSHEY＿SIMPLEX，3，（250，250，0），2，cv2．LINE＿AA）

＃ Prediction

elif i／20 ＜ 3．5：

pred ＝ arr＿to＿shape［np．a(chǎn)rgmax（loaded＿model．predict（prepImg（frame［50：350，100：400］）））］

＃ Get Bots Move

elif i／20 ＝＝ 3．5：

bplay ＝ random．choice（options）

print（pred，bplay）

＃ Update Score

elif i／／20 ＝＝ 4：

playerScore，botScore ＝ updateScore（pred，bplay，playerScore，botScore）

break

cv2．rectangle（frame， （100， 150）， （300， 350）， （255， 255， 255）， 2）
       frame ＝ cv2．putText（frame，＂Player ： ｛｝      Bot ： ｛｝＂．format（playerScore，botScore），（120，400），cv2．FONT＿HERSHEY＿SIMPLEX，1，（250，250，0），2，cv2．LINE＿AA）

frame ＝ cv2．putText（frame，pred，（150，140），cv2．FONT＿HERSHEY＿SIMPLEX，1，（250，250，0），2，cv2．LINE＿AA）

frame ＝ cv2．putText（frame，＂Bot Played ： ｛｝＂．format（bplay），（300，140），cv2．FONT＿HERSHEY＿SIMPLEX，1，（250，250，0），2，cv2．LINE＿AA）

cv2．imshow（＇Rock Paper Scissor＇，frame）

if cv2．waitKey（1） ＆ 0xff ＝＝ ord（＇q＇）：

break

上面的代碼片段包含相當重要的代碼塊，其余部分只是使游戲易于使用，RPS規(guī)則和得分。所以我們開始加載我們訓練過的模型，它在開始程序的預測部分之前顯示倒計時，預測后，分數(shù)會根據(jù)球員的動作進行更新。

我們使用cv2．rectangle（）顯式地繪制目標區(qū)域，使用prepImg（）函數(shù)預處理后，只有幀的這一部分傳遞給模型進行預測。

結論：我們已經(jīng)成功地實現(xiàn)并學習了這個項目的工作原理，所以請繼續(xù)使用我的實現(xiàn)進行其它實驗學習。我做的一個主要的改進可能是增加了手部檢測，所以我們不需要顯式地繪制目標區(qū)域，模型將首先檢測手部位置，然后進行預測。我鼓勵你改進這個項目，并給我你的建議。精益求精！