मैं मेडिकल इमेज के सेट पर इस पेपर को लागू करने की कोशिश कर रहा हूं । मैं इसे कैरस में कर रहा हूं। नेटवर्क में अनिवार्य रूप से 4 कनैक्ट और अधिकतम-पूल लेयर होते हैं, जिसके बाद पूरी तरह से कनेक्टेड लेयर और सॉफ्ट मैक्स क्लासिफायर होता है।
जहां तक मुझे पता है, मैंने कागज में वर्णित वास्तुकला का पालन किया है। हालाँकि, सत्यापन हानि और सटीकता अभी भी सपाट है। सटीकता ~ 57.5% पर तय होती है।
मैं गलत हो सकता है जहां पर कोई मदद काफी सराहना की जाएगी।
मेरा कोड:
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)
क्या प्रशिक्षण की हानि कम हो रही है?
—
जन वैन डेर वेज
नहीं, प्रशिक्षण हानि भी पूरे समय स्थिर रहती है।
—
रघुराम
आपने अपनी कॉल में कोई सत्यापन डेटा या वैधीकरण_प्लिट सेट नहीं किया है, यह किस पर मान्य होगा? या तुम्हारा मतलब टेस्ट था?
—
Jan van der Vegt
जो कि प्रयोग करने के बाद है। मैंने सत्यापन सेट किया = कोई भी सेट करने से पहले 0.2 = और उसके साथ भी प्रयोग किया।
—
रघुराम
क्या आप यह देखने के लिए कई बार एक बैच फिट कर सकते हैं कि क्या आपको प्रशिक्षण हानि कम हो सकती है?
—
Jan van der Vegt