[Python知识库]fastai学习笔记（二）——乳腺癌识别

本次为fastai学习笔记的第二弹——乳腺癌识别

? ? ? ? ? ? ? ? 在本次的分享中将采用自下而上的方法，完整的建立fastai神经网络建立过程。

我使用的配置：

语言环境：python 3.8.5

编译器：jupyter notebook

使用到的库:? numpy,fastai,pandas,os

import numpy as np 
import pandas as pd
import os
!pip install fastbook
import fastbook
fastbook.setup_book()
from fastbook import *
from fastai.vision.widgets import *
import torch

目录

本次为fastai学习笔记的第二弹——乳腺癌识别

我使用的配置：

一，数据说明：

? ? ? ? ? ? ? ? 数据集切分：

二，DataBlock and dataloders

? ? ? ? ?训练图像可视化：

三，使用translate_learn调用(resnet34)

?四，使用fit_one_cycle对网络进行训练：

?五，画出混淆矩阵：

?最后：本次我们使用了fit_one_cycle进行训练6个epochs后，正确率达到：92.5%。

一，数据说明：

? ? ? ? ? ? ? ??本次使用的数据集中还有两个label(0—1).其中 ：

? ? ? ? ? ? ? ? 数据集切分：

10723

2680

二，DataBlock and dataloders

? ? ? ? 导入数据路径：path.BASE ：BASE_PATH is a fastai thing, which is defined in the fastcore library。

dir='../input/ruxinai/26-data'
dir =pathlib.Path(dir)
Path.BASE=dir   #dir为数据路径

? ? ? ? ? ? ? 定义DataBlock and dataloaders: item_tfms:在cpu中将图片resize为460大小。

batch_tfms: 使用GPU对图片做更多处理。

  dl= DataBlock(
    blocks=(ImageBlock, CategoryBlock), 
    get_items=get_image_files,
    splitter=RandomSplitter(valid_pct=0.2, seed=42),
    get_y=parent_label,
    item_tfms=Resize(460),
    batch_tfms=aug_transforms(size=224, min_scale=0.75)) #将照片定义224*224
dl_train=dl.dataloaders(dir)

? ? ? ? ? ? ? ? fastai提供了summary函数，可以对datablock的过程进行调整。

dl.summary(dir)

截图不完整

训练图像可视化：

dl_train.show_batch(max_n=4,nrows=1)

使用translate_learn调用(resnet34)

learn=cnn_learner(dl_train,resnet34,metrics=error_rate).to_fp16()
learn.lr_find()

使用fastai提供的 lr_find()，对初始网络的learn_rate进行寻找：

SuggestedLRs(valley=0.0010000000474974513

使用lr=1e-3训练3 epochs。目的是对网络的最后一层参数进行调整。

learn.fit_one_cycle(3,1e-3)

?

在对网络的最后一层调整时，其他层不训练。先将其解冻。并同样寻找最佳推荐学习率

learn.unfreeze()
learn.lr_find()

SuggestedLRs(valley=0.0003981071640737355)

?使用fit_one_cycle对网络进行训练：

learn.fit_one_cycle(6,lr_max=slice(1e-5,7e-5))

?画出混淆矩阵：

interp=ClassificationInterpretation.from_learner(learn)
interp.plot_confusion_matrix(figsize=(12,12))

?

?最后：本次我们使用了fit_one_cycle进行训练6个epochs后，正确率达到：92.5%。

?

?

?