面板癌是美國最常見的疾病之一。在過去的一年中，據報道有多達400萬例死於面板癌的病例。在本文中，我將使用機器學習建立面板癌分類模型。
機器學習對面板癌的分類
這是機器學習演算法在面板癌分類中起作用的地方。正如之前提到的，面板癌在疾病的早期階段很容易治癒，但很多人都不清楚是否患了該疾病。
因此，這個分類演算法，可以幫助那些人坐在家裡時確定他們是否患有面板癌。該機器學習演算法主要基於卷積神經網路（CNN）。
CNN層分類用於面板癌檢測
讓我們從匯入庫開始
import numpy as npfrom skimage import ioimport matplotlib。pyplot as plt
現在，我將簡單地上傳影象，以使用python中的skimage庫來訓練我們的機器學習模型。
imgb = io。imread（‘bimg-1049。png’）imgm = io。imread（‘mimg-178。png’）imgb = io。imread（‘bimg-721。png’）imgm = io。imread（‘mimg-57。png’）
您可以從下面下載這些影象
連結：https：//pan。baidu。com/s/17UB13G3NckDH4mXW7Bf25w
提取碼：nh9p
這些影象是良性痣和惡性痣的樣本影象，這是一種面板問題。
展示這些影象
plt。figure（figsize=（10，20））plt。subplot（121）plt。imshow（imgb）plt。axis（‘off’）plt。subplot（122）plt。imshow（imgm）plt。axis（‘off’）
訓練模型以進行進一步分類
from keras。models import load_modelmodel = load_model（‘BM_VA_VGG_FULL_DA。hdf5’）from keras import backend as Kdef activ_viewer（model， layer_name， im_put）： layer_dict = dict（［（layer。name， layer） for layer in model。layers］） layer = layer_dict［layer_name］ activ1 = K。function（［model。layers［0］。input， K。learning_phase（）］， ［layer。output，］） activations = activ1（（im_put， False）） return activationsdef normalize（x）： # utility function to normalize a tensor by its L2 norm return x / （K。sqrt（K。mean（K。square（x））） + 1e-5）def deprocess_image（x）： # normalize tensor： center on 0。， ensure std is 0。1 x -= x。mean（） x /= （x。std（） + 1e-5） x *= 0。1 # clip to ［0， 1］ x += 0。5 x = np。clip（x， 0， 1） # convert to RGB array x *= 255 if K。image_data_format（） == ‘channels_first’： x = x。transpose（（1， 2， 0）） x = np。clip（x， 0， 255）。astype（‘uint8’） return xdef plot_filters（filters）： newimage = np。zeros（（16*filters。shape［0］，8*filters。shape［1］）） for i in range（filters。shape［2］）： y = i%8 x = i//8 newimage［x*filters。shape［0］：x*filters。shape［0］+filters。shape［0］， y*filters。shape［1］：y*filters。shape［1］+filters。shape［1］］ = filters［：，：，i］ plt。figure（figsize = （10，20）） plt。imshow（newimage） plt。axis（‘off’）
面板癌分類模型
要檢視我們訓練有素的模型的總結，我們將執行以下程式碼
model。summary（）
model。summary（）
_________________________________________________________________Layer （type） Output Shape Param # ======================================================input_1 （InputLayer） （None， 128， 128， 3） 0 _________________________________________________________________block1_conv1 （Conv2D） （None， 128， 128， 64） 1792 _________________________________________________________________block1_conv2 （Conv2D） （None， 128， 128， 64） 36928 _________________________________________________________________block1_pool （MaxPooling2D） （None， 64， 64， 64） 0 _________________________________________________________________block2_conv1 （Conv2D） （None， 64， 64， 128） 73856 _________________________________________________________________block2_conv2 （Conv2D） （None， 64， 64， 128） 147584 _________________________________________________________________block2_pool （MaxPooling2D） （None， 32， 32， 128） 0 _________________________________________________________________block3_conv1 （Conv2D） （None， 32， 32， 256） 295168 _________________________________________________________________block3_conv2 （Conv2D） （None， 32， 32， 256） 590080 _________________________________________________________________block3_conv3 （Conv2D） （None， 32， 32， 256） 590080 _________________________________________________________________block3_pool （MaxPooling2D） （None， 16， 16， 256） 0 _________________________________________________________________block4_conv1 （Conv2D） （None， 16， 16， 512） 1180160 _________________________________________________________________block4_conv2 （Conv2D） （None， 16， 16， 512） 2359808 _________________________________________________________________block4_conv3 （Conv2D） （None， 16， 16， 512） 2359808 _________________________________________________________________block4_pool （MaxPooling2D） （None， 8， 8， 512） 0 _________________________________________________________________block5_conv1 （Conv2D） （None， 8， 8， 512） 2359808 _________________________________________________________________block5_conv2 （Conv2D） （None， 8， 8， 512） 2359808 _________________________________________________________________block5_conv3 （Conv2D） （None， 8， 8， 512） 2359808 _________________________________________________________________block5_pool （MaxPooling2D） （None， 4， 4， 512） 0 _________________________________________________________________sequential_3 （Sequential） （None， 1） 2097665 ====================================================Total params： 16，812，353Trainable params： 16，812，353Non-trainable params： 0
視覺化我們訓練過的模型的輸出
activ_benign = activ_viewer（model，‘block2_conv1’，imgb。reshape（1，128，128，3））img_benign = deprocess_image（activ_benign［0］）plot_filters（img_benign［0］）plt。figure（figsize=（20，20））for f in range（128）： plt。subplot（8，16，f+1） plt。imshow（img_benign［0，：，：，f］） plt。axis（‘off’）
縮放和視覺化一些過濾器
plt。figure（figsize=（10，10））plt。subplot（121）plt。imshow（img_benign［0，：，：，49］）plt。axis（‘off’）plt。subplot（122）plt。imshow（img_malign［0，：，：，49］）plt。axis（‘off’）
測試模型
現在讓我們視覺化並測試我們訓練後的模型的實際能力
def plot_filters32（filters）： newimage = np。zeros（（16*filters。shape［0］，16*filters。shape［1］）） for i in range（filters。shape［2］）： y = i%16 x = i//16 newimage［x*filters。shape［0］：x*filters。shape［0］+filters。shape［0］， y*filters。shape［1］：y*filters。shape［1］+filters。shape［1］］ = filters［：，：，i］ plt。figure（figsize = （15，25）） plt。imshow（newimage） activ_benign = activ_viewer（model，‘block3_conv3’，imgb。reshape（1，128，128，3））img_benign = deprocess_image（activ_benign［0］）plot_filters32（img_benign［0］）
原文連結：https：//blog。csdn。net/huangmingleiluo/article/details/117357650