[[405128]]

在本教程中，我們將使用 TensorFlow (Keras API) 實現(xiàn)一個用于二進(jìn)制分類任務(wù)的深度學(xué)習(xí)模型，該任務(wù)包括將細(xì)胞的圖像標(biāo)記為感染或未感染瘧疾。

數(shù)據(jù)集來源：https://www.kaggle.com/iarunava/cell-images-for-detecting-malaria

數(shù)據(jù)集包含2個文件夾

• 感染：:13780張圖片
• 未感染：13780張圖片

總共27558張圖片。

此數(shù)據(jù)集取自NIH官方網(wǎng)站：https://ceb.nlm.nih.gov/repositories/malaria-datasets/

環(huán)境：kaggle，天池實驗室或者gogole colab都可以。

導(dǎo)入相關(guān)模塊

import cv2 
import tensorflow 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 matplotlib.pyplot as plt 
import glob 
import os 

對于圖片數(shù)據(jù)存在形狀不一樣的情況，因此需要使用 OpenCV 進(jìn)行圖像預(yù)處理。

將圖片變成 numpy 數(shù)組(數(shù)字格式)的形式轉(zhuǎn)換為灰度，并將其調(diào)整為一個(70x70)形狀。

img_dir="../input/cell-images-for-detecting-malaria/cell_images"   
img_size=70 
def load_img_data(path): 
    # 打亂數(shù)據(jù) 
    image_files = glob.glob(os.path.join(path, "Parasitized/*.png")) + \ 
                  glob.glob(os.path.join(path, "Uninfected/*.png")) 
    X, y = [], [] 
    for image_file in image_files: 
        # 命名標(biāo)簽  0 for uninfected and 1 for infected 
        label = 0 if "Uninfected" in image_file else 1 
        # load the image in gray scale 變成灰度圖片 
        img_arr = cv2.imread(image_file, cv2.IMREAD_GRAYSCALE) 
        # resize the image to (70x70)  調(diào)整圖片大小 
        img_resized = cv2.resize(img_arr, (img_size, img_size)) 
        X.append(img_resized) 
        y.append(label) 
    return X, y 
X, y = load_img_data(img_dir) 

查看X的shape。

print(X.shape) 

X的shape為(27558, 70, 70, 1)，27558表示圖片的數(shù)據(jù)，70*70表示圖片的長和寬像素。

另外，為了幫助網(wǎng)絡(luò)更快收斂，我們應(yīng)該進(jìn)行數(shù)據(jù)歸一化。在sklearn 中有一些縮放方法，例如：

在這里我們將除以255，因為像素可以達(dá)到的最大值是255，這將導(dǎo)致應(yīng)用縮放后像素范圍在 0 和 1 之間。

X, y = load_img_data(img_dir) 
# reshape to (n_samples, 70, 70, 1) (to fit the NN) 
X = np.array(X).reshape(-1, img_size, img_size, 1) 
#從[0，255]到[0，1]縮放像素 幫助神經(jīng)網(wǎng)絡(luò)更快地訓(xùn)練 
X = X / 255 
 
# shuffle & split the dataset 
X_train, X_test, y_train, 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()方法將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，我們使用總數(shù)據(jù)的 10% 稍后對其進(jìn)行驗證。

在建立的模型中，我們將添加 3 個卷積層，然后Flatten是由層組成的全連接Dense層。

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))) 
 
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(Activation("sigmoid")) 
 
model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"]) 
print(model.summary()) 

由于輸出是二進(jìn)制的(感染或未感染)，我們使用Sigmoid 函數(shù)作為輸出層的激活函數(shù)。

# train the model with 10 epochs, 64 batch size 
model.fit(X_train, np.array(y_train), batch_size=64, epochs=10, validation_split=0.2) 

在訓(xùn)練數(shù)據(jù)集及其驗證拆分上實現(xiàn)了94%的準(zhǔn)確率。

現(xiàn)在使用evaluate() 來評估測試數(shù)據(jù)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\n Accuracy: {accuracy} | Loss: {loss}") 

輸出如下

Testing on 2756 images, the results are 
Accuracy: 0.9404934644699097 | Loss: 0.1666732281446457 

該模型在測試數(shù)據(jù)中也表現(xiàn)OK，準(zhǔn)確率達(dá)到94%

最后，我們將通過保存我們的模型來結(jié)束所有這個過程。

model.save("model.h5") 

 【編輯推薦】