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 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]，cmap='gray')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

def AlexNet_inference(in_shape):model = keras.Sequential(name='AlexNet')  # model.add(layers.Conv2D(96,(11,11),strides=(4,4),input_shape=(in_shape[1],in_shape[2],in_shape[3]),# padding='same',activation='relu',kernel_initializer='uniform')) model.add(layers.Conv2D(96,(11,11),strides=(2,2),input_shape=(in_shape[1],in_shape[2],in_shape[3]),padding='same',activation='relu',kernel_initializer='uniform'))  model.add(layers.MaxPooling2D(pool_size=(3,3),strides=(2,2)))  model.add(layers.Conv2D(256,(5,5),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  model.add(layers.MaxPooling2D(pool_size=(3,3),strides=(2,2)))  model.add(layers.Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  model.add(layers.Conv2D(384,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  model.add(layers.Conv2D(256,(3,3),strides=(1,1),padding='same',activation='relu',kernel_initializer='uniform'))  model.add(layers.MaxPooling2D(pool_size=(2,2),strides=(2,2)))  model.add(layers.Flatten())  model.add(layers.Dense(64,activation='relu'))  model.add(layers.Dropout(0.5))  model.add(layers.Dense(64,activation='relu'))  model.add(layers.Dropout(0.5))  model.add(layers.Dense(2,activation='softmax'))  model.compile(optimizer=keras.optimizers.Adam(),loss='sparse_categorical_crossentropy', #不能直接用函数，否则在与测试加载模型不成功！metrics=['accuracy'])model.summary()  return modelx_shape  = X_tra.shape
AlexNet_model = AlexNet_inference(x_shape)
totall_epochs = 0
epochs = 10history = AlexNet_model.fit(X_tra, Y_tra, batch_size=10, epochs=epochs, validation_split=0.3)plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['training', 'valivation'], loc='upper left')
plt.show()
res = AlexNet_model.evaluate(X_test, Y_test)
print(res)

测试集结果

继续训练10轮

history = AlexNet_model.fit(X_tra, Y_tra, batch_size=10, epochs=epochs, validation_split=0.3)plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['training', 'valivation'], loc='upper left')
plt.show()
res = AlexNet_model.evaluate(X_test, Y_test)
print(res)

CT图片分类–AlexNet相关推荐

CT图片分类神经网络
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 ...
PyTorch搭建预训练AlexNet、DenseNet、ResNet、VGG实现猫狗图片分类
目录前言 AlexNet DensNet ResNet VGG 前言在之前的文章中,利用一个简单的三层CNN猫狗图片分类,正确率不高,详见: CNN简单实战:PyTorch搭建CNN对猫狗图片进行 ...
【经典算法必读】图片分类系列之（一）: 你真的了解图片分类(Image Classification)吗？...
欢迎关注我的个人微信公众号:小纸屑图片分类是机器学习经典问题,也是深度学习声名鹊起之作.正是2012年AlexNet在图片分类竞赛ImageNet出乎寻常的性能,使得深度学习一夜爆红,方有今天人工智 ...
细粒度图像分类_1.1、图片分类
记录图像分类论文资源列表. 图片分类任务可以分为:粗粒度图片分类.细粒度图片分类. 2012 AlexNet :ImageNet Classification with Deep Convolutio ...
深度学习（二十）基于Overfeat的图片分类、定位、检测
基于Overfeat的图片分类.定位.检测原文地址:http://blog.csdn.net/hjimce/article/details/50187881 作者:hjimce 一.相关理论本篇博 ...
PyTorch ResNet 实现图片分类
PyTorch ResNet 实现图片分类建党 100 年 Resnet 深度网络退化代码实现残差块超参数 ResNet 18 网络获取数据训练测试完整代码建党 100 年百年风雨 ...
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 ...
【动手学深度学习】Softmax 回归 + 损失函数 + 图片分类数据集
学习资料: 09 Softmax 回归 + 损失函数 + 图片分类数据集[动手学深度学习v2]_哔哩哔哩_bilibili torchvision.transforms.ToTensor详解 | 使用 ...
【深度学习】(5) 简单网络，案例：服装图片分类，附python完整代码
1. 数据获取使用系统内部的服装数据集构建神经网络.首先导入需要的库文件,x和y中保存训练集的图像和目标.x_test和y_test中保存测试集需要的图像和目标.(x, y)及(x_test, y_ ...

CT图片分类–AlexNet

CT图片分类–AlexNet

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

测试集结果

继续训练10轮

CT图片分类–AlexNet相关推荐

最新文章

热门文章