আমি এই কাগজটি মেডিকেল ইমেজের সেটগুলিতে প্রয়োগ করার চেষ্টা করছি । আমি কেরাসে এটি করছি। নেটওয়ার্কটিতে মূলত 4 টি রূপান্তর এবং সর্বাধিক-পুল স্তর থাকে যার পরে একটি সম্পূর্ণ সংযুক্ত স্তর এবং নরম সর্বাধিক শ্রেণিবদ্ধ হয়।
আমি যতদূর জানি, আমি কাগজে উল্লিখিত আর্কিটেকচারটি অনুসরণ করেছি। যাইহোক, বৈধতা হ্রাস এবং নির্ভুলতা কেবল জুড়েই ফ্ল্যাট থাকে। যথার্থতা 57.5% এ স্থির বলে মনে হচ্ছে।
আমি যেখানে ভুল হতে চলেছি সে সম্পর্কে যে কোনও সহায়তা প্রশংসিত হবে।
আমার কোড:
from keras.models import Sequential
from keras.layers import Activation, Dropout, Dense, Flatten
from keras.layers import Convolution2D, MaxPooling2D
from keras.optimizers import SGD
from keras.utils import np_utils
from PIL import Image
import numpy as np
from sklearn.utils import shuffle
from sklearn.cross_validation import train_test_split
import theano
import os
import glob as glob
import cv2
from matplotlib import pyplot as plt
nb_classes = 2
img_rows, img_cols = 100,100
img_channels = 3
#################### DATA DIRECTORY SETTING######################
data = '/home/raghuram/Desktop/data'
os.chdir(data)
file_list = os.listdir(data)
##################################################################
## Test lines
#I = cv2.imread(file_list[1000])
#print np.shape(I)
####
non_responder_file_list = glob.glob('0_*FLAIR_*.png')
responder_file_list = glob.glob('1_*FLAIR_*.png')
print len(non_responder_file_list),len(responder_file_list)
labels = np.ones((len(file_list)),dtype = int)
labels[0:len(non_responder_file_list)] = 0
immatrix = np.array([np.array(cv2.imread(data+'/'+image)).flatten() for image in file_list])
#img = immatrix[1000].reshape(100,100,3)
#plt.imshow(img,cmap = 'gray')
data,Label = shuffle(immatrix,labels, random_state=2)
train_data = [data,Label]
X,y = (train_data[0],train_data[1])
# Also need to look at how to preserve spatial extent in the conv network
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=4)
X_train = X_train.reshape(X_train.shape[0], 3, img_rows, img_cols)
X_test = X_test.reshape(X_test.shape[0], 3, img_rows, img_cols)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255
Y_train = np_utils.to_categorical(y_train, nb_classes)
Y_test = np_utils.to_categorical(y_test, nb_classes)
model = Sequential()
## First conv layer and its activation followed by the max-pool layer#
model.add(Convolution2D(16,5,5, border_mode = 'valid', subsample = (1,1), init = 'glorot_normal',input_shape = (3,100,100))) # Glorot normal is similar to Xavier initialization
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
# Output is 48x48
print 'First layer setup'
###########################Second conv layer#################################
model.add(Convolution2D(32,3,3,border_mode = 'same', subsample = (1,1),init = 'glorot_normal'))
model.add(Activation('relu'))
model.add(Dropout(0.6))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
#############################################################################
print ' Second layer setup'
# Output is 2x24
##########################Third conv layer###################################
model.add(Convolution2D(64,3,3, border_mode = 'same', subsample = (1,1), init = 'glorot_normal'))
model.add(Activation('relu'))
model.add(Dropout(0.6))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
#############################################################################
# Output is 12x12
print ' Third layer setup'
###############################Fourth conv layer#############################
model.add(Convolution2D(128,3,3, border_mode = 'same', subsample = (1,1), init = 'glorot_normal'))
model.add(Activation('relu'))
model.add(Dropout(0.6))
model.add(MaxPooling2D(pool_size = (2,2),strides = None))
#############################################################################
print 'Fourth layer setup'
# Output is 6x6x128
# Create the FC layer of size 128x6x6#
model.add(Flatten())
model.add(Dense(2,init = 'glorot_normal',input_dim = 128*6*6))
model.add(Dropout(0.6))
model.add(Activation('softmax'))
print 'Setting up fully connected layer'
print 'Now compiling the network'
sgd = SGD(lr=0.01, decay=1e-4, momentum=0.6, nesterov=True)
model.compile(loss = 'mse',optimizer = 'sgd', metrics=['accuracy'])
# Fit the network to the data#
print 'Network setup successfully. Now fitting the network to the data'
model. fit(X_train,Y_train,batch_size = 100, nb_epoch = 20, validation_split = None,verbose = 1)
print 'Testing'
loss,accuracy = model.evaluate(X_test,Y_test,batch_size = 32,verbose = 1)
print "Test fraction correct (Accuracy) = {:.2f}".format(accuracy)
প্রশিক্ষণের ক্ষতি কি কমছে?
—
জান ভ্যান ডের Vegt
না, প্রশিক্ষণের ক্ষতিও সর্বদা স্থির থাকে।
—
রঘুরাম
আপনি আপনার ফিট কলটিতে কোনও বৈধতা ডেটা বা যাচাইকরণ_স্প্লিট সেট করেন নি, এটি কীটির উপর বৈধতা দেবে? নাকি পরীক্ষা বলতে চাচ্ছেন?
—
জান ভ্যান ডের Vegt
এটাই আশেপাশের পরীক্ষা-নিরীক্ষার পরে। আমি কোনওটিতে সেট করার আগে যাচাইকরণ_স্প্লিট = 0.2 সেট করেছিলাম এবং এটির সাথেও প্রায় পরীক্ষামূলক।
—
রঘুরাম
প্রশিক্ষণের ক্ষতি কম হতে পারে কিনা তা দেখার জন্য আপনি অনেক বারের জন্য একটি ব্যাচ ফিট করতে পারেন?
—
জান ভ্যান ডের Vegt