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google colab都可以。
导入相关模块
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
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(70×70)形状。
img_dir=”../input/cell-images-for-detecting-malaria/cell_images” img_size=70 def load_img_data(path): 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: label = 0 if “Uninfected” in image_file else 1 img_arr = cv2.imread(image_file, cv2.IMREAD_GRAYSCALE) 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 (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 and 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 Dense 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)) 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=”BinaryCrossentropy”, 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_train), 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: {accuracy} | 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”)