首页 > 其他分享> > (四)微调ResNet50以诊断COVID-19

(四)微调ResNet50以诊断COVID-19

2021-06-28 22:06:37 作者：互联网

训练模型

评估模型

渐变权重类激活映射（Grad-Cam）

下一步

下载源300.4 KB

在本系列文章中，我们将应用深度学习（DL）网络ResNet50来诊断胸部X射线图像中的Covid-19。我们将使用Python的TensorFlow库在Jupyter Notebook上训练神经网络。

该项目所需的工具和库是：

IDE：

Jupyter Notebook

库：

我们假设您熟悉Python和Jupyter笔记本的深度学习。如果您不熟悉Python，请从本教程开始。如果您还不熟悉Jupyter，请从这里开始。

在上一篇文章中，我们重构了ResNet50模型以适应新的分类任务——COVID-19与正常胸部X射线之间的区别。在本文中，我们将微调模型以提供预期的性能和准确性。

训练模型

在该项目中，转移学习被用于在一个新的分类任务（COVID-19的检测）中利用ResNet50的知识。转移学习包括两个阶段：冻结和微调。

在冻结阶段，预训练模型的公共可用权重和学习到的参数将被冻结并“按原样”使用。通过移除ResNet50的完全连接层（FC）并将其重新配置为三个完全连接层，开始微调，在输出层有两个输出神经元对应于COVID-19和正常胸部X射线。请注意，FC层的权重是在训练过程中随机启动的。其余图层的权重被冻结，以确保它们充当输入图像高抽象级别的强大特征提取器，因为它们已经在ImageNet数据集中的数百万个图像上进行了训练。

该网络使用梯度下降优化的随机方法在1,590张图像上进行训练，每次迭代的批处理大小为64张图像。本系列的第二篇文章讨论了读取训练数据以及数据选择的代码。

为了使训练过程中的成本函数最小化，将完全连接层的初始学习率和减小因子分别设置为0.0001和0.1。选择时期数是一项复杂的任务：它与训练过程中的优化次数直接相关。如果时期数很多，则网络可能会过拟合并表现不佳。

为避免过度拟合，我们在验证图像上监控了错误和性能。发现ResNet50在第3阶段达到了最高的训练精度以及最佳的泛化能力。表1显示了在3个时期之后，网络的良好训练性能——准确率为98.7％（图6）。

tf.keras.callbacks.EarlyStopping(
    monitor='val_loss', min_delta=0, patience=0, verbose=0,
    mode='auto', baseline=None, restore_best_weights=False
)

 model.compile(optimizer='sgd', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit_generator(generator = train_generator, steps_per_epoch=train_generator.n//train_generator.batch_size, epochs = 3)

图6：网络的培训过程

为了评估训练期间的模型性能，让我们在时期数上绘制准确性和损失（图7和8）：

acc = history.history['accuracy']
loss = history.history['loss']
plt.figure()
plt.plot(acc, label='Training Accuracy')
plt.ylabel('Accuracy')
plt.title('Training Accuracy')
plt.figure()
plt.plot(loss, label='Training Loss')
plt.ylabel('Loss')
plt.title('Training Loss')
plt.xlabel('epoch')
plt.show()

图7：训练精度与时期数

图8：损失与时期数

如图7和8所示，训练精度随着时期数的增加而增加，而训练损失则随着每个时期的减少而减少。这是运行梯度下降优化时应该期望的。换句话说，每次迭代都应减少误差。

评估模型

一旦对模型进行了正确的训练，我们就可以开始在我们的测试数据集上对其进行测试，该测试数据集包含895个不属于训练集的图像。测试集已在系列的第二篇文章中加载为test_generator。

为了测试我们的模型，让我们使用model.evaluate函数。此函数根据您传递给它的输入数据来计算损耗和准确性。我们通过了所有输入的测试数据test_generator，并评估了模型。

Testresults = model.evaluate(test_generator)
print("test loss, test acc:", Testresults)

图9：测试准确性的快照

如您在上面看到的（图9），我们的模型在将新图像分类到COVID-19或Normal中显示出良好的泛化能力，准确度为95％，测试损失为0.108。

我们还可以使用model.predict函数评估模型。此函数与model.evaluate相似，除了它生成给定输入的预测输出。要获得对测试数据的所有预测，请使用model.predict：

predictions = model.predict(test_generator, batch_size=None, verbose=0, steps=None, callbacks=None)
print(predictions)

在获得由Softmax函数生成的预测作为概率之后，我们将这些预测取整为0s或1s。舍入后的输出将存储在类中，而实际输出将存储在test_generator.Labels中。

# Generate arg maxes for predictions
classes = np.argmax(predictions, axis = 1)
print(classes)
print(test_generator.labels)

我们还用model.predict来对一张图像的类别进行分类。我们首先使用以下命令打印所有测试图像的类

print(test_generator.labels)

然后，我们选择了一个属于类别0（COVID-19）的图像并将其提供给model.predict：

x=test_generator[5]
predictions = model.predict(x) 
print('First prediction:', predictions[0])
category = np.argmax(predictions[0], axis = 0)
print("the image class is:", category)

渐变权重类激活映射（Grad-Cam）

为了更好地解释和评估所采用的模型，我们可以采用许多参数和度量，例如Grad-Cam。我们可视化了一些正确分类的COVID-19和Normal测试图像的Grad-Cam。

Grad-Cam是一种方法，可用于可视化网络集中用于对特定图像进行分类的区域中的激活。通过热图突出显示与预测类别相关的可疑区域，其中最高的激活区域以深红色显示，而最低的激活区域以深蓝色显示。

图10显示了由ResNet50正确分类的一些测试图像的Grad-Cam。上排显示“普通”示例，下排显示COVID-19图像。请注意，除了TensorFlow之外，我们还使用OpenCV（CV2）来计算和绘制热图，因此必须导入CV2。

我们选择了一些测试图像并计算了它们的Grad_Cam。要处理其他图像，只需在IMAGE_PATH中更改图像名称。重要的是选择最后一个卷积层LAYER_NAME，以调查模型在最终卷积层中的可视化效果，这有助于做出最终决策。Class_INDEX表示给定图像的类别，在此示例中为COVID-19（0）。

import cv2
IMAGE_PATH = r'C:\Users\abdul\Desktop\ContentLab\P1\archive\COVID-19 Radiography Database\test\NORMAL\NORMAL (2).png'
LAYER_NAME = 'conv5_block3_out'
CLASS_INDEX = 0
img = tf.keras.preprocessing.image.load_img(IMAGE_PATH, target_size=(224, 224))
img = tf.keras.preprocessing.image.img_to_array(img)

# Load initial model
model = model

# Create a graph that outputs target convolution and output
grad_model = tf.keras.models.Model([model.inputs], [model.get_layer(LAYER_NAME).output, model.output])

# Get the score for target class
with tf.GradientTape() as tape:
    conv_outputs, predictions = grad_model(np.array([img]))
    loss = predictions[:, CLASS_INDEX]

# Extract filters and gradients
output = conv_outputs[0]
grads = tape.gradient(loss, conv_outputs)[0]

# Average gradients spatially
weights = tf.reduce_mean(grads, axis=(0, 1))

# Build a ponderated map of filters according to gradients importance
cam = np.ones(output.shape[0:2], dtype=np.float32)

for index, w in enumerate(weights):
    cam += w * output[:, :, index]

# Heatmap visualization
cam = cv2.resize(cam.numpy(), (224, 224))
cam = np.maximum(cam, 0)
heatmap = (cam - cam.min()) / (cam.max() - cam.min())
cam = cv2.applyColorMap(np.uint8(255*heatmap), cv2.COLORMAP_JET)
output_image = cv2.addWeighted(cv2.cvtColor(img.astype('uint8'), cv2.COLOR_RGB2BGR), 0.5, cam, 1, 0)
plt.imshow(output_image, cmap='rainbow')

图10：测试图像的热图

下一步

在下一篇文章中，我们将讨论通过我们的模型获得的COVID-19检测结果，并将这些结果与其他模型的结果进行比较。敬请关注！

https://www.codeproject.com/Articles/5294464/Fine-tuning-ResNet50-to-Diagnose-COVID-19

标签：ResNet50,generator,19,COVID,cam,图像,model
来源： https://blog.csdn.net/mzl87/article/details/118312574