使用Keras卷積神經網路辨別肺部醫學影像(五)

上一張「使用Keras卷積神經網路辨別肺部醫學影像(四)」

在上一章，我們撰寫了訓練檔的程式碼，現在來執行它，請注意，第一次執行時，其中的
from keras.models import load_model 
這一行請先註解掉。

執行時會出現這個畫面。

請稍等一會兒，因為它需要訓練很長的一段時間。

解析：
Epoch是目前訓練到第幾批次。
538s代表這一批次訓練花了多少時間。
loss是耗費了多少損失。
acc是準確度。

我們暫時不考慮過擬合的問題，因為這只是寫給初學者作練習用的，也只是給我這個初次寫教學文的新手練習寫文章的，我不想搞那麼複雜。

常態上來說，假設訓練模型正確，loss將會逐漸縮小，acc將逐漸增加(此圖片僅為參考，並非此程式的記錄)。

以這張圖片來說，這個訓練模型算合格的了。

由於訓練需要大量時間，而且會消耗許多運算資源，所以可以在訓練到一半時輸出權重：
model.save_weights("Fiborsis_sex.h5")

然後下次執行時把這一行取消註解：

from keras.models import load_model 

這樣子下次訓練時就可以接續上次的存檔繼續訓練，不必從頭開始。

訓練到一定的程度之後，我們輸出結果：

model.save("Fiborsis_sex_result.h5")

稍後就可以在驗證檔中使用它。

我們現在建立一個check0的python檔案，程式碼如下： 

import array

import sys

import numpy as np

import cv2

import glob

#設定亂數

import random

from keras.utils import np_utils

np.random.seed(0)

#設定影像的長寬

imgwidth=128

imgheight=128

#匯入需要用到的東西

from keras.models import Sequential

from keras.layers import Dense,Dropout,Activation,Flatten

from keras.layers import Conv2D,MaxPooling2D,ZeroPadding2D

model=Sequential()

from keras.models import load_model

#載入剛剛訓練好的訓練檔

model=load_model("Fiborsis_sex_result.h5")

print('載入資料')

#建立影像清單

imglist=[]

#匯入一張圖片

filestr='image_F/00001474_000.png'

img = cv2.imread(filestr,cv2.IMREAD_GRAYSCALE)

#resize它的大小

img=cv2.resize(img,(imgwidth,imgheight))

#將像素的數字縮小為0～1之間的數字

img=img/255.0

#將這張圖片加入imglist

imglist.append(img)  

#轉換成numpy的array

x_img_test=np.array(imglist)

#進行reshape動作

x_img_test=np.reshape(x_img_test,(1,imgwidth,imgheight,1))

#預測這張圖是男生還是女生

prediction=model.predict(x_img_test)

#輸出機率

print("男性機率",(int)(prediction[0][0]*100),"%")

print("女性機率",(int)(prediction[0][1]*100),"%")

現在來執行這個程式。

執行結果，這張圖是女性的機率高達99%，而這張圖的確是女性沒錯，所以這次的測試是成功的。

不過記得要拿沒加入訓練檔訓練過的圖片來作測試，比較符合實際狀況，這是為了避免「過擬合」的問題，不過這不是本章所要討論的重點。

好了，本系列「使用Keras卷積神經網路辨別肺部醫學影像」教學文就在此告一段落了，以後有機會再接續著寫下去，那我們下次再見囉。