### 在 Jupyter Notebook 中实现石头剪刀布手势识别模型的搭建 为了在 Jupyter Notebook 中成功搭建并训练一个石头剪刀布手势识别模型，以下是详细的说明和代码示例： #### 准备工作 首先需要确保已经安装了必要的依赖库。这些库包括 TensorFlow 或 PyTorch 以及其他辅助工具如 NumPy 和 Matplotlib。可以通过以下命令安装所需的 Python 库： ```bash pip install tensorflow numpy matplotlib opencv-python jupyterlab ``` 接着启动 Jupyter Notebook 并创建一个新的 notebook 文件。 #### 导入库 在第一个单元格中导入所有必需的库。 ```python import os import numpy as np import matplotlib.pyplot as plt import cv2 from sklearn.model_selection import train_test_split from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.preprocessing.image import ImageDataGenerator ``` #### 数据加载与预处理 假设已经有了标记好的数据集，下面是如何读取和预处理图像数据的一个例子。 ```python data_dir = './dataset' # 替换为您的数据目录路径 categories = ['rock', 'paper', 'scissors'] img_size = 100 data = [] labels = [] for category in categories: path = os.path.join(data_dir, category) class_num = categories.index(category) # 获取类别编号 for img in os.listdir(path): try: img_array = cv2.imread(os.path.join(path, img)) resized_arr = cv2.resize(img_array, (img_size, img_size)) # 调整尺寸到统一大小 data.append(resized_arr) labels.append(class_num) except Exception as e: pass # 归一化像素值并将标签转换为 one-hot 编码 X = np.array(data).reshape(-1, img_size, img_size, 3) / 255.0 Y = np.eye(len(categories))[np.array(labels)] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42) ``` #### 构建 CNN 模型 接下来定义卷积神经网络结构。 ```python model = Sequential([ Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(img_size, img_size, 3)), MaxPooling2D(pool_size=(2, 2)), Conv2D(64, kernel_size=(3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Conv2D(128, kernel_size=(3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), Flatten(), Dense(512, activation='relu'), Dropout(0.5), Dense(len(categories), activation='softmax') ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` #### 训练模型 配置好模型后就可以开始训练它了。 ```python history = model.fit( X_train, y_train, epochs=10, validation_data=(X_test, y_test), batch_size=32 ) ``` #### 测试模型 最后一步是对新图片进行预测。 ```python def predict_image(model, img_path): img = cv2.imread(img_path) img_resized = cv2.resize(img, (img_size, img_size)).reshape(-1, img_size, img_size, 3)/255. prediction = model.predict(img_resized)[0] predicted_label = categories[np.argmax(prediction)] confidence = max(prediction)*100 return predicted_label, confidence test_img_path = "./test_images/test_paper.jpg" label, conf = predict_image(model, test_img_path) print(f"Predicted Label: {label}, Confidence: {conf:.2f}%") plt.imshow(cv2.cvtColor(cv2.imread(test_img_path), cv2.COLOR_BGR2RGB)) plt.show() ``` --- 通过上述步骤可以在 Jupyter Notebook 上建立完整的石头剪刀布手势识别流程[^1]。此过程中涉及到了使用 Tensorflow 进行参数寻优的核心概念[^2]。