layers.Conv2D(128, (3, 3), activation='relu'),
layers.MaxPooling2D(2, 2),
layers.Flatten(),
layers.Dense(512, activation='relu'),
layers.Dense(1, activation='sigmoid')
])
# Компиляция модели
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# Подготовка изображений для обучения и валидации с использованием генератора
train_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
'/path/to/training_data',
target_size=(150, 150),
batch_size=20,
class_mode='binary'
)
validation_datagen = ImageDataGenerator(rescale=1./255)
validation_generator = validation_datagen.flow_from_directory(
'/path/to/validation_data',
target_size=(150, 150),
batch_size=20,
class_mode='binary'
)
# Обучение модели
history = model.fit(
train_generator,
steps_per_epoch=100,
epochs=30,
validation_data=validation_generator,
validation_steps=50
)
# Оценка качества модели
test_loss, test_acc = model.evaluate(validation_generator, verbose=2)
print('\nТочность на валидационных данных:', test_acc)
```
Прежде чем запускать этот код, убедитесь, что у вас установлены необходимые библиотеки, такие как TensorFlow и keras. Кроме того, замените `'/path/to/training_data'` и `'/path/to/validation_data'` путями к вашим данным обучения и валидации соответственно.
Для установки библиотеки TensorFlow и keras воспользуйтесь следующими командами в терминале или командной строке, если вы используете pip:
```
pip install tensorflow
pip install keras
```
После установки библиотек вы можете использовать предыдущий код для обнаружения опухолей на рентгеновских снимках грудной клетки.
Рассмотрим этапы кода:
1. Импорт библиотек: Сначала мы импортируем необходимые библиотеки TensorFlow и Keras, а также классы ImageDataGenerator, который позволяет автоматически подготавливать изображения для обучения.
2. Создание модели сверточной нейронной сети (CNN): Мы создаем модель Sequential, которая представляет собой последовательную нейронную сеть. Затем мы добавляем различные слои сверточной нейронной сети с помощью метода `add()`. Эти слои включают в себя сверточные слои, слои пулинга и полносвязные слои.
3. Компиляция модели: Мы компилируем модель с помощью метода `compile()`, указывая оптимизатор (adam), функцию потерь (binary_crossentropy) и метрику (accuracy).
4. Подготовка данных с использованием генератора изображений: Мы создаем объекты ImageDataGenerator для обучающих и валидационных данных. Затем мы используем метод `flow_from_directory()`, чтобы загрузить изображения из указанного каталога, масштабировать их и разделить на пакеты.
5. Обучение модели: Мы обучаем модель с использованием метода `fit()`, передавая обучающий генератор, количество шагов обучения в каждой эпохе (steps_per_epoch), количество эпох (epochs), валидационный генератор и количество шагов валидации (validation_steps).
6. Оценка качества модели: После обучения мы оцениваем качество модели на валидационных данных с использованием метода `evaluate()` и выводим точность на валидационных данных.
Задача 2.