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

將標簽轉換為數字

標簽是字符串，這些很難處理。因此，我們將這些標簽轉換為二元分類。

分類可以由 12 個數字組成的數組表示，這些數字將遵循以下條件：

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數據集

在這一步中，我們將拆分訓練數據集進行驗證。我們正在使用 scikit－learn 中的 train＿test＿split（） 函數。這里我們拆分數據集，保持 test＿size＝0．1。這意味著總數據的 10％ 用作測試數據，其余 90％ 用作訓練數據。檢查以下代碼以拆分數據集。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

過擬合是機器學習中的一個問題，我們的模型在訓練數據上表現非常好，但在測試數據上表現不佳。在深度神經網絡過度擬合的深度學習中，過度擬合的問題很嚴重。過度擬合的問題嚴重影響了我們的最終結果。為了擺脫它，我們需要減少它。在這個問題中，我們使用 ImageDataGenerator（） 函數隨機改變圖像的特征并提供數據的隨機性。、為了避免過擬合，我們需要一個函數。此函數隨機改變圖像特性。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）

定義卷積神經網絡

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

我們使用卷積神經網絡進行訓練。

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．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（）