说明

1. 美国手语数据集 ASL
2. 数据集说明：美国手语字母表包含 26 个字母。其中有两个字母（j 和 z）涉及一些动作，已从本次训练数据集中排除。
3. CNN是一种神经网络模型，常用于图像识别

训练

1. 读取本地数据并预处理 读取数据
2. 重构数据以适用神经网络 重构数据
3. 创建卷积神经网络 构建网络
   

   3.1 注释：
   Conv2D:
   这是 2D 卷积层。较小的内核将仔细检查输入图像并检测对分类十分重要的特征。
   模型中的前面几层卷积将检测简单的特征，例如线条。后续的卷积层将检测更复杂的特征。我们来看一下第一个 Conv2D 层：
   model.add(Conv2D(75, (3, 3), strides=1, padding="same", activation="relu", input_shape=(28, 28, 1)))
   75 是指将要学习到的滤波器的数量。(3,3) 是指这些滤波器的大小。步长是指滤波器通过图像时的步进长度。
   填充是指从滤波器创建的输出图像是否与输入图像的大小匹配。
   BatchNormalization:
   如同对输入进行归一化一样，批量归一化可缩放隐藏层中的值以改善训练
   MaxPool2D:
   最大值池化层把经过它的图像缩小至较低分辨率。这样有助于增强模型对物体平移（对象左右移动）的鲁棒性，同时提升模型的训练速度。
   Dropout:
   是一种防止过拟合的技术。Dropout 随机选择一个神经元子集并在一次训练中将其关闭，使它们在该轮训练中不参与前向传播或反向传播。
   这有助于确保网络的鲁棒性和冗余性，使其不依赖网络中的任何区域来提供答案。
   Flatten:
   Flatten 接受某层的多维输出，并将其展平为一维数组。此层的输出称为特征向量，并将连接到最终分类层。
   Dense:
   在较早的模型中，我们已经见过密集层。
   我们的首个密集层（512 个单位）以特征向量作为输入，并学习到哪些特征对某个特定的分类贡献了多大的作用。
   第二个密集层（24 个单位）是输出预测的最终分类层。

4. 模型总结 模型总结
5. 模型编译 模型编译
6. 模型训练 模型训练

Code

## ============载入数据================
import tensorflow.keras as keras
import pandas as pd

# Load data from CSV files，使用pandas从本地读取数据
train_df = pd.read_csv("sign_mnist_train.csv")
valid_df = pd.read_csv("sign_mnist_valid.csv")

# 标签
y_train = train_df['label']
y_valid = valid_df['label']
del train_df['label']
del valid_df['label']

# 特征
x_train = train_df.values
x_valid = valid_df.values

# 标签序列化（一共有24个字母，所以将每一个标签转换成一个24维的向量）
num_classes = 24
y_train = keras.utils.to_categorical(y_train, num_classes)
y_valid = keras.utils.to_categorical(y_valid, num_classes)

# 特征归一化处理
x_train = x_train / 255
x_valid = x_valid / 255

## ==========为卷积神经网络重构数据==========
"""
模型的第一个卷积层不仅需要知道图像的高度和宽度，还要了解颜色通道数。我们的图像为灰度图，因此只有一个通道。
这意味着我们需要将当前形状(27455, 784)转换为(27455, 28, 28, 1)。 为方便起见，对于希望保持不变的任何尺寸，我们都可以将-1传递给reshape方法
"""
x_train = x_train.reshape(-1,28,28,1)
x_valid = x_valid.reshape(-1,28,28,1)

### =======创建卷积模型=======
"""
Conv2D:
    这是 2D 卷积层。较小的内核将仔细检查输入图像并检测对分类十分重要的特征。
    模型中的前面几层卷积将检测简单的特征，例如线条。后续的卷积层将检测更复杂的特征。我们来看一下第一个 Conv2D 层：
        model.add(Conv2D(75, (3, 3), strides=1, padding="same", activation="relu", input_shape=(28, 28, 1)))
    75 是指将要学习到的滤波器的数量。(3,3) 是指这些滤波器的大小。步长是指滤波器通过图像时的步进长度。
    填充是指从滤波器创建的输出图像是否与输入图像的大小匹配。
BatchNormalization:
    如同对输入进行归一化一样，批量归一化可缩放隐藏层中的值以改善训练
MaxPool2D:
    最大值池化层把经过它的图像缩小至较低分辨率。这样有助于增强模型对物体平移（对象左右移动）的鲁棒性，同时提升模型的训练速度。
Dropout:
    是一种防止过拟合的技术。Dropout 随机选择一个神经元子集并在一次训练中将其关闭，使它们在该轮训练中不参与前向传播或反向传播。
    这有助于确保网络的鲁棒性和冗余性，使其不依赖网络中的任何区域来提供答案。
Flatten:
    Flatten 接受某层的多维输出，并将其展平为一维数组。此层的输出称为特征向量，并将连接到最终分类层。
Dense:
    在较早的模型中，我们已经见过密集层。
    我们的首个密集层（512 个单位）以特征向量作为输入，并学习到哪些特征对某个特定的分类贡献了多大的作用。
    第二个密集层（24 个单位）是输出预测的最终分类层。
"""
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import (
    Dense,
    Conv2D,
    MaxPool2D,
    Flatten,
    Dropout,
    BatchNormalization,
)

model = Sequential()
model.add(Conv2D(75, (3, 3), strides=1, padding="same", activation="relu", input_shape=(28, 28, 1)))
model.add(BatchNormalization())
model.add(MaxPool2D((2, 2), strides=2, padding="same"))
model.add(Conv2D(50, (3, 3), strides=1, padding="same", activation="relu"))
model.add(Dropout(0.2))
model.add(BatchNormalization())
model.add(MaxPool2D((2, 2), strides=2, padding="same"))
model.add(Conv2D(25, (3, 3), strides=1, padding="same", activation="relu"))
model.add(BatchNormalization())
model.add(MaxPool2D((2, 2), strides=2, padding="same"))
model.add(Flatten())
model.add(Dense(units=512, activation="relu"))
model.add(Dropout(0.3))
model.add(Dense(units=num_classes, activation="softmax"))

## ==========模型编译==========
model.compile(loss='categorical_crossentropy', metrics=['accuracy'])

## ==========模型训练==========
model.fit(x_train, y_train, epochs=10, verbose=1, validation_data=(x_valid, y_valid))