介紹卷積神經(jīng)網(wǎng)絡(luò)屬于深度學(xué)習(xí)的子域。深度學(xué)習(xí)中的算法以與人腦相同的方式來處理信息,但其規(guī)模很小,因?yàn)槲覀兊拇竽X太復(fù)雜了(我們的大腦大約有860億個(gè)神經(jīng)元)。為什么使用CNN進(jìn)行圖像分類?圖像分類通過從圖像中提取特征,以觀察數(shù)據(jù)集中的某些模式。由于可訓(xùn)練參數(shù)變得非常大,因此使用ANN進(jìn)行圖像分類最終會(huì)在計(jì)算上造成很高的成本。例如,如果我們有一張50 X 50的貓圖像,并且我們想在該圖像上訓(xùn)練傳統(tǒng)的ANN,以將其分類為狗或貓,則可訓(xùn)練參數(shù)變?yōu)楱C(50 * 50)* 100圖像像素乘以隱藏層 + 100 偏差+ 2 * 100 輸出神經(jīng)元+ 2 偏差= 2,50,302我們在使用CNN時(shí)使用了過濾器,過濾器根據(jù)其用途而存在許多不同類型。

不同過濾器及其效果的示例過濾器通過在神經(jīng)元之間執(zhí)行局部連接模式來幫助我們利用特定圖像的空間局部性。卷積操作是指兩個(gè)函數(shù)的逐點(diǎn)乘法以產(chǎn)生第三個(gè)函數(shù),這里一個(gè)函數(shù)是我們的圖像像素矩陣,另一個(gè)是我們的過濾器。我們在圖像上滑動(dòng)卷積核,并獲得兩個(gè)矩陣的點(diǎn)積,生成的矩陣稱為“激活圖”或“特征圖”。

在此處使用垂直卷積核對6X6圖像進(jìn)行卷積有多個(gè)卷積層從圖像中提取特征,最后從輸出層中提取特征。

實(shí)用:分步指南我將使用Google Colab,并且已經(jīng)通過Google Drive連接了數(shù)據(jù)集,因此,如果使用相同的設(shè)置,則我提供的代碼應(yīng)該是可以使用,切記根據(jù)你的設(shè)置進(jìn)行適當(dāng)?shù)母�改。步驟1:選擇一個(gè)數(shù)據(jù)集選擇你感興趣的數(shù)據(jù)集,或者你也可以創(chuàng)建自己的圖像數(shù)據(jù)集來解決自己的圖像分類問題。在kaggle上可以獲取到很多數(shù)據(jù)集。我要使用的數(shù)據(jù)集可以在這里找到。

該數(shù)據(jù)集包含12,500個(gè)血細(xì)胞增強(qiáng)圖像(JPEG),并帶有相應(yīng)的細(xì)胞類型標(biāo)簽(CSV)。這4種不同的細(xì)胞類型每種大約有3,000張圖像,這些圖像分為4個(gè)不同的文件夾(根據(jù)細(xì)胞類型)。細(xì)胞類型是嗜酸性粒細(xì)胞,淋巴細(xì)胞,單核細(xì)胞和嗜中性粒細(xì)胞。這是我們需要的所有庫以及導(dǎo)入它們的代碼。from keras．models import Sequential
import tensorflow as tf
import tensorflow_datasets as tfds
tf．enable_eager_execution()
from keras．layers．core import Dense, Activation, Dropout, Flatten
from keras．layers．convolutional import Convolution2D, MaxPooling2D
from keras．optimizers import SGD, RMSprop, adam
from keras．utils import np_utils
from sklearn．tree import DecisionTreeClassifier # Import Decision Tree Classifier
from sklearn import metricsfrom sklearn．utils import shuffle
from sklearn．model_selection import train_test_splitimport matplotlib．image as mpimg
import matplotlib．pyplot as plt
import numpy as np
import os
import cv2
import randomfrom numpy import *
from PIL import Image
import theano

步驟2:準(zhǔn)備訓(xùn)練資料集準(zhǔn)備我們的數(shù)據(jù)集進(jìn)行訓(xùn)練,需要設(shè)置路徑和創(chuàng)建類別(標(biāo)簽),并調(diào)整圖像大小。將圖像調(diào)整為200 X 200path_test = "/content/drive/My Drive/semester 5 - ai ml/datasetHomeAssign/TRAIN"
CATEGORIES = ["EOSINOPHIL", "LYMPHOCYTE", "MONOCYTE", "NEUTROPHIL"]
print(img_array．shape)IMG_SIZE =200
new_array = cv2．resize(img_array, (IMG_SIZE, IMG_SIZE))

步驟3:建立訓(xùn)練資料訓(xùn)練的輸入數(shù)據(jù)是一個(gè)數(shù)組,其中包含了圖像像素值和“類別”列表中圖像的索引。training = []def createTrainingData():
 for category in CATEGORIES:
   path = os．path．join(path_test, category)
   class_num = CATEGORIES．index(category)
   for img in os．listdir(path):
     img_array = cv2．imread(os．path．join(path,img))
     new_array = cv2．resize(img_array, (IMG_SIZE, IMG_SIZE))
     training．a(chǎn)ppend([new_array, class_num])createTrainingData()

步驟4:隨機(jī)整理資料集random．shuffle(training)

步驟5:分配標(biāo)簽和特征這兩個(gè)列表的這種形狀將在使用NEURAL NETWORKS的分類中使用。X =[]
y =[]for features, label in training:
 X．a(chǎn)ppend(features)
 y．a(chǎn)ppend(label)
X = np．a(chǎn)rray(X)．reshape(-1, IMG_SIZE, IMG_SIZE, 3)

步驟6:標(biāo)準(zhǔn)化X并將標(biāo)簽轉(zhuǎn)換為分類數(shù)據(jù)X = X．a(chǎn)stype('float32')
X /= 255
from keras．utils import np_utils
Y = np_utils．to_categorical(y, 4)
print(Y[100])
print(shape(Y))

步驟7:將X和Y拆分以用于CNNX_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0．2, random_state = 4)

步驟8:定義,編譯和訓(xùn)練CNN模型

batch_size = 16
nb_classes =4
nb_epochs = 5
img_rows, img_columns = 200, 200
img_channel = 3
nb_filters = 32
nb_pool = 2
nb_conv = 3
model = tf．keras．Sequential([
   tf．keras．layers．Conv2D(32, (3,3), padding='same', activation=tf．nn．relu,
                          input_shape=(200, 200, 3)),
   tf．keras．layers．MaxPooling2D((2, 2), strides=2),
   tf．keras．layers．Conv2D(32, (3,3), padding='same', activation=tf．nn．relu),
   tf．keras．layers．MaxPooling2D((2, 2), strides=2),
   tf．keras．layers．Dropout(0．5),
   tf．keras．layers．Flatten(),
   tf．keras．layers．Dense(128, activation=tf．nn．relu),
   tf．keras．layers．Dense(4,  activation=tf．nn．softmax)
])
model．compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model．fit(X_train, y_train, batch_size = batch_size, epochs = nb_epochs, verbose = 1, validation_data = (X_test, y_test))

步驟9:模型的準(zhǔn)確性和得分score = model．evaluate(X_test, y_test, verbose = 0 )
print("Test Score: ", score[0])
print("Test accuracy: ", score[1])

在這9個(gè)簡單的步驟中,我們準(zhǔn)備了卷積神經(jīng)網(wǎng)絡(luò)模型并使用這些技能來解決實(shí)際問題。你可以在Analytics Vidhya和Kaggle等平臺上練習(xí)這些技能。你還可以通過更改不同的參數(shù)并發(fā)現(xiàn)如何獲得最佳的準(zhǔn)確性和得分來解決問題,可以嘗試更改CNN模型中的batch_size,epoch數(shù),甚至添加/刪除圖層。