CT图片分类

链接：https://pan.baidu.com/s/15CxZVg_3L466hkpgeQ7-VA
提取码：dwck
ct图片的链接

from PIL import Image#图像进行操作
import matplotlib.pyplot as plt#绘图
import numpy as np#处理数组、效率很高
import os#处理文件、读文件
import tensorflow as tf
from tensorflow.keras import datasets, layers, models#kears是一个高级api

加载图片

加载livergate

X_train = Image.open('C:/Users/31035/Desktop/Desktop/data/livergate/livergate_0.png')
X_train = X_train.resize((512,512),Image.ANTIALIAS)
X_train = np.array(X_train)
X_train = np.expand_dims(X_train, axis=0)
print(X_train.shape)
for dirname, _, filenames in os.walk('C:/Users/31035/Desktop/Desktop/data/livergate'):for filename in filenames:if X_train.shape[0] > 357:breaktry:im = Image.open(os.path.join(dirname, filename))im = im.resize((512,512),Image.ANTIALIAS)image_array = np.array(im)image_array = np.expand_dims(image_array, axis=0)X_train = np.concatenate((X_train, image_array), axis=0)except:pass
print(str(X_train.shape[0]))

加载nolivergate、

X_train_n = Image.open('C:/Users/31035/Desktop/Desktop/data/nolivergate/other_0.png')
X_train_n = X_train_n.resize((512,512),Image.ANTIALIAS)
X_train_n = np.array(X_train_n)
X_train_n = np.expand_dims(X_train_n, axis=0)
print(X_train_n.shape)for dirname, _, filenames in os.walk('C:/Users/31035/Desktop/Desktop/data/nolivergate'):for filename in filenames:if X_train_n.shape[0] > 820:breaktry:im = Image.open(os.path.join(dirname, filename))im = im.resize((512,512),Image.ANTIALIAS)image_array = np.array(im)image_array = np.expand_dims(image_array, axis=0)X_train_n = np.concatenate((X_train_n, image_array), axis=0)except:pass
print(X_train_n.shape)

设置标签

Y_train = np.ones((358))
Y_train = Y_train.astype(int)
Y_train_n = np.zeros((821))
Y_train_n = Y_train_n.astype(int)

合并数据后打乱

#如果不把数据集打乱，特征、标签集中，验证集效率会很低
X = np.concatenate((X_train,X_train_n),axis=0)
Y = np.concatenate((Y_train,Y_train_n),axis=0)
np.random.seed(200)
np.random.shuffle(X)
np.random.seed(200)
np.random.shuffle(Y)
X.shape,X.dtype

展示图片

class_names = ['nolivergate','livergate']plt.figure(figsize=(10,10))
for i in range(25):plt.subplot(5,5,i+1)plt.xticks([])plt.yticks([])plt.grid(False)plt.imshow(X[i])plt.xlabel(class_names[Y[i]])
plt.show()

数据集后续处理

#给数据集增加一个维度，方便后面神经网络处理
X = tf.expand_dims(input=X,axis=-1)
#归一化，在这里归一化可以省略
X/255
#分离训练测试集
X_tra = X[:800]
X_test = X[800:]
y_tra = Y[:800]
Y_test = Y[800:]

建模分析预测

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(512,512,1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))model.add(layers.Flatten()) # 3维 转为 1维
model.add(layers.Dense(64, activation='relu'))  # 激活函数relu
model.add(layers.Dense(2, activation='softmax'))  # 激活函数softmax CIFAR有10个类别输出，所以softmax这里参数设置为10
# 再看看模型情况
model.summary()

fit的一些参数

# fit(self, x, y, batch_size, epochs, verbose, callbacks, validation_split,
#     validation_data, shuffle, class_weight, sample_weight, initial_epoch,
#     steps_per_epoch, validation_steps, validation_freq, max_queue_size,
#     workers, use_multiprocessing, **kwargs)

编译和训练

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
history = model.fit(X_tra, y_tra,batch_size=20, epochs=10,validation_data=(X_test, Y_test))

训练结果

用pd建个表

import pandas as pd
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
hist.tail()

绘制acc&loss折线图

def plot_history(history):hist = pd.DataFrame(history.history)hist['epoch'] = history.epochplt.figure()plt.xlabel('Epoch')plt.ylabel('loss_value')plt.plot(hist['epoch'], hist['loss'],label='Train Loss')plt.plot(hist['epoch'], hist['val_loss'],label = 'Val Loss')plt.ylim([0,5])plt.legend()plt.figure()plt.xlabel('Epoch')plt.ylabel('acc_value')plt.plot(hist['epoch'], hist['accuracy'],label='Train acc')plt.plot(hist['epoch'], hist['val_accuracy'],label = 'Val acc')
#   plt.ylim([0,20])plt.legend()plt.show()plot_history(history)

CT图片分类神经网络相关推荐

CT图片分类–AlexNet
CT图片分类–AlexNet 链接:https://pan.baidu.com/s/15CxZVg_3L466hkpgeQ7-VA 提取码:dwck ct图片的链接 from PIL import I ...
深度学习之神经网络核心原理与算法-caffekeras框架图片分类
之前我们在使用cnn做图片分类的时候使用了CIFAR-10数据集其他框架对于CIFAR-10的图片分类是怎么做的来与TensorFlow做对比. Caffe Keras 安装官方安装文档: ht ...
基于卷积神经网络CNN的图片分类实现——附代码
目录摘要: 1.卷积神经网络介绍: 2.卷积神经网络(CNN)构建与训练: 2.1 CNN的输入图像 2.2 构建CNN网络 2.3 训练CNN网络 3.卷积神经网络(CNN)的实际分类测试: 4. ...
记录|深度学习100例-卷积神经网络（CNN）彩色图片分类 | 第2天
记录|深度学习100例-卷积神经网络(CNN)彩色图片分类 | 第2天 1. 彩色图片分类效果图数据集如下: 测试图1如下训练/验证精确图如下: 优化后:测试图--打印预测标签: 优化后:测试图- ...
使用卷积神经网络进行图片分类 1
卷积神经网络原理一.实验介绍 1.1 实验内容本课程将会先带你理解卷积神经网络的原理,了解卷积神经网络的一些特性.然后动手使用caffe深度学习框架训练一个卷积神经网络模型,并用训练好的模型进行图 ...
Keras 搭建图片分类 CNN （卷积神经网络）
1. 导入keras from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatte ...
基于PaddlePaddle构建ResNet18残差神经网络的食物图片分类问题
基于PaddlePaddle构建ResNet18残差神经网络的食物图片分类问题 Introduction 本项目是在李宏毅机器学习课程的作业3进行的工作,任务是手动搭建一个CNN模型进行食物图片分类( ...
卷积神经网络对图片分类-中
接上篇:卷积神经网络对图片分类-上 5 池层(Pooling Layers) 池层通常用在卷积层之后,池层的作用就是简化卷积层里输出的信息, 减少数据维度,降低计算开销,控制过拟合. 如之前所说,一 ...
搭建神经网络实现简单图片分类
数据来源于吴恩达L2HW3(SIGNS 数据集),训练集包含1800张64*64像素的彩色图片,图片内容为手势,表示从0到5的数字,所要做的是搭建较深的神经网络,以实现图片分类.测试集包含120张图片 ...

CT图片分类神经网络

CT图片分类

加载图片

加载livergate

加载nolivergate、

设置标签

合并数据后打乱

展示图片

数据集后续处理

建模分析预测

fit的一些参数

编译和训练

训练结果

用pd建个表

绘制acc&loss折线图

CT图片分类神经网络相关推荐

最新文章

热门文章