教你使用TensorFlow2判断细胞图像是否感染
在本教程中,我们将使用 TensorFlow (Keras API) 实现一个用于二进制分类任务的深度学习模型,该任务包括将细胞的图像标记为感染或未感染疟疾。 数据集来源:https://www.kaggle.com/iarunava/cell-images-for-detecting-malaria 数据集包含2个文件夹 感染::13780张图片 未感染:13780张图片 总共27558张图片。 此数据集取自NIH官方网站:https://ceb.nlm.nih.gov/repositories/malaria-datasets/ 环境:kaggle,天池实验室或者gogole colab都可以。 导入相关模块 import cv2 import tensorflow教你 as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Conv2D, MaxPool2D, Flatten, Activation from sklearn.model_selection import train_test_split import numpy as np import 使用;matplotlib.pyplot as plt import glob import os 对于图片数据存在形状不一样的情况,因此需要使用 OpenCV 进行图像预处理。 将图片变成 numpy 数组(数字格式)的形式转换为灰度,并将其调整为一个(70x70)形状。 img_dir="../input/cell-images-for-detecting-malaria/cell_images" img_size=70 def load_img_data(path): # 打乱数据 &nTebsp; image_files = glob.glob(os.path.join(path, "Parasitized/*.png")) + glob.glob(os.path.join(path, "Uninfected/*.png")) X, y = [], ns;[] for image_file in image_files: # 命名标签 0 for uninfected and 1 for infected label = 0 if "Uninfected" in image_filore else 1 # load the image in gray scale 变成灰度图片 img_arr = cv2.imread(image_file, cv2.IMREAD_GRAYSCALE) # resize theFl image to (70x70) 调整图片大小 img_resized = cv2.resize(img_arr, (img_size, img_size)) X.append(img_resized) y.append(label) &ownbsp; return X, y X, y = load_img_data(img_dir) 查看X的shape。 print(X.shape) X的shape为(27558, 70, 70, 1),27558表示图片的数据,70*70表示图片的长和宽像素。 另外,为了帮助网络更快收敛,我们应该进行数据归一化。在sklearn 中有一些缩放方法,例如: 在这里我们将除以255,因为像素可以达到的最大值是255,这将导致应用缩放后像素范围在 0 和 1 之间。 X, y = load_img_data(img_dir) # reshape to 2判;(n_samples, 70, 70, 1) (to fit the NN) X = np.array(X).reshape(-1, img_size, img_size, 1) #从[0,255]到[0,1]缩放像素 帮助神经网络更快地训练 X = X / 255 # shuffle & split the dataset X_train, X_test, y_tr断细ain, y_test = train_test_split(X, y, test_size=0.1, stratify=y) print("Total training samples:", X_train.shape) print("Total validation samples:", X_test.shape[0]) 使用sklearn的train_test_split()方法将数据集划分为训练集和测试集,我们使用总数据的 10% 稍后对其进行验证。 在建立的模型中,我们将添加 3 个卷积层,然后Flatten是由层组成的全连接D胞图ense层。 model = Sequential() model.add(Conv2D(64, (3, 3), input_shape=X_train.shape[1:])) model.add(Activation("relu")) model.add(MaxPool2D(pool_size=(2, 2))) model.add(Conv2D(64, (3, 3))) model.add(Activation("relu")) model.add(MaxPool2D(pool_size=(2, 2))) &n像是bsp;model.add(Conv2D(64, (3, 3))) model.add(Activation("relu")) model.add(MaxPool2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(64)) model.add(Activation("relu")) model.add(Dense(64)) model.add(Activation("relu")) model.add(Dense(1)) model.add(Ac否感tivation("sigmoid")) model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"]) print(model.summary()) 由于输出是二进制的(感染或未感染),我们使用Sigmoid 函数作为输出层的激活函数。 # train the model with 10 epochs, 64 batch size model.fit(X_train, np.array(y_trai教你n), batch_size=64, epochs=10, validation_split=0.2) 在训练数据集及其验证拆分上实现了94%的准确率。 现在使用evaluate() 来评估测试数据集上的模型 loss, accuracy = model.evaluate(X_test, np.array(y_test), verbose=0) print(f"Testing on {len(X_test)} images, the results are Accuracy: {ac使用curacy} | Loss: {loss}") 输出如下 Testing on 2756 images, the results are Accuracy: 0.9404934644699097 | Loss: 0.1666732281446457 该模型在测试数据中也表现OK,准确率达到94% 最后,我们将通过保存我们的模型来结束所有这个过程。 model.save("model.h5")
-
上一篇
-
下一篇
- 最近发表
-
- AI招聘独角兽Juicebox获3600万美元融资:4人团队打造千万ARR神话,红杉领投A轮
- 标签: 三体宇宙 林奇 许垚 三体IP
- Adobe 开启 AI 开放时代:核心应用全面集成对话助手与外部模型,Firefly5.0可生成4K 原生图像!
- 标签: 英伟达 礼来 Vera Rubin Grace Blackwell
- OpenAI 为 ChatGPT 推出智能记忆清理功能,Plus 用户率先体验
- 标签: 海航控股 海南航空 辽宁方大集团 SKYTRAX五星航空
- 云安全日报201203:Ubuntu系统内核发现拒绝服务或执行任意代码漏洞,需要尽快升级
- Arm为云计算和数据中心推出新一代芯片技术Neoverse V2
- 标签: 海清智元 多光谱AI 智元起源大模型 港交所上市
- 标签: 日本叮叮 广州威葵 蚊香液 消费欺诈
- 随机阅读
-
- 百度 Qianfan-VL 开源发布,昆仑芯助力多模态 AI 新突破
- 网宿科技宣布云计算业务EdgeRay爱捷云独立运营
- 标签: Gemini 3 Deep Think 谷歌 AI推理
- 大模型正颠覆金融服务,度小满CEO揭秘AI如何助力普惠金融
- 标签: 迅雷
- 腾讯推出 AI CLI 工具 CodeBuddy, 国内首家支持全形态AI编程工具!
- 微软Azure云计算平台第二财季营收同比增长率不及上一财年同期
- 烫面炸糕最正宗配方
- 云计算核心技术Docker教程:Docker Hub服务帐户
- Facebook开除52名工程师 滥用自己感兴趣的女用户信息
- 微软Copilot迎来重磅更新:类ChatGPT记忆管理功能即将上线!
- 标签: 明日方舟:终末地 鹰角网络 PayPal支付事故 游戏公测
- 消息称零一万物获阿里云投资 投后估值超10亿美元
- 标签: 以岭药业 以岭万洲 Gerbera Therapeutics FDA
- 标签: 海正药业 2025年年报 医药研发 扣非净利润
- 标签: 衢江公安 周某 非法控制计算机信息系统 文件上传漏洞
- 标签: 中图科技 IPO 图形化衬底 GaN
- 标签: 斗鱼 三角洲行动 英雄联盟 光谷电竞嘉年华
- 标签: 华境汽车
- 浅谈漏斗分析
- 搜索
-
- 友情链接