我已经使用DenseNet121模型进行特征提取，其输出最终将输入到我自己的Dense神经网络中。
densenet ＝ DenseNet121（include＿top＝False， weights＝＇imagenet＇， classes＝3，input＿shape＝（300，300，3））
densenet．trainable＝True
def genericModel（base）：
model ＝ Sequential（）
model．add（base）
model．add（MaxPool2D（））
model．add（Flatten（））
model．add（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
）
关键点 ：由于我们的图片尺寸为300x300，因此指定的输入形状也为3x300x300，3代表RGB的维度信息，因此该层具有足够的神经元来处理整个图像。我们将DenseNet层用作第一层，然后使用我们自己的Dense神经网络。我已将可训练参数设置为True，这也会重新训练DenseNet的权重。尽管花了很多时间，但是这给了我更好的结果。我建议你在自己的实现中尝试通过更改此类参数（也称为超参数）来尝试不同的迭代。由于我们有3类Rock－Paper－Scissor，最后一层是具有3个神经元和softmax激活的全连接层。最后一层返回图像属于3类中特定类的概率。如果你引用的是GitHub repo（https：／／github．com／HOD101s／RockPaperScissor－AI－） 的train．py，则要注意数据准备和模型训练！至此，我们已经收集了数据，建立并训练了模型，剩下的部分是使用OpenCV进行部署OpenCV实现：此实现的流程很简单：启动网络摄像头并读取每个帧将此框架传递给模型进行分类，即预测类用电脑随意移动计算分数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．argmax（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
上面的代码片段包含相当重要的代码块，其余部分只是使游戏易于使用，RPS规则和得分。所以我们开始加载我们训练过的模型，它在开始程序的预测部分之前显示倒计时，预测后，分数会根据球员的动作进行更新。
我们使用cv2．rectangle（）显式地绘制目标区域，使用prepImg（）函数预处理后，只有帧的这一部分传递给模型进行预测。
结论：我们已经成功地实现并学习了这个项目的工作原理，所以请继续使用我的实现进行其它实验学习。我做的一个主要的改进可能是增加了手部检测，所以我们不需要显式地绘制目标区域，模型将首先检测手部位置，然后进行预测。我鼓励你改进这个项目，并给我你的建议。精益求精！
