Réseau de neurones convolutifs, classification binaire d'images, jeu de données, dataset, label, labellisation, pixels, mode de remplissage, images transformées, images, lignes de code
Le document comprend des exercices concernant la classification binaire d'images. Il inclut l'augmentation de la taille d'un jeu de données d'entraînement, la classification binaire d'images cellulaires, la construction et l'entraînement d'un modèle.
[...] Qu'en est-il de la nouvelle matrice de confusion ? In threshold = 1 from sklearn.metrics import confusion_matrix import seaborn as sns y_pred = (model.predict(X_test)>=threshold).astype(int) cm = confusion_matrix(y_test,y_pred) sns.heatmap(cm,annot=True) Out[57]: 173/173 - 11s 66ms/step
[...] INPUT_SHAPE =(SIZE, SIZE, localhost:8888/lab/tree/Jupyter lab/Diagnstic par apprentissage/TP6.ipynb 8/17 13/12/2022 21:20 TP6 #La deuxième ligne, model = Sequential(), crée une instance du modèle Sequential, #qui est une pile linéaire #de couches. Cela signifie que les couches du modèle seront ajoutées les unes après #les autres de manière séquentielle. model = Sequential() #La troisième ligne, model.add(Conv2D(32,(3,3),input_shape = INPUT_SHAPE)), #ajoute une couche convolutive 2D au #modèle avec 32 filtres. Chaque filtre a une taille de 3x3 et la forme d'entrée #pour ce calque est la même que #la forme d'entrée de l'ensemble du modèle (définie sur la première ligne). [...]
[...] Modifiez ‘constant' de la question 2 par ‘reflect' puis analysez les résultats obtenus. localhost:8888/lab/tree/Jupyter lab/Diagnstic par apprentissage/TP6.ipynb 3/17 13/12/2022 21:20 In [120 TP6 datagen = ImageDataGenerator( rotation_range = 45, width_shift_range = 0.2, height_shift_range = 0.2, shear_range = 0.2, horizontal_flip = True, zoom_range = 0.2, fill_mode = 'reflect', cval = 125) i = 0 for batch in datagen.flow(x, batch_size=16, save_to_dir = 'reflect', save_prefix save_format i 1 if i > 20: break In io.imshow(io.imread('reflect//aug_0_1088.png')) plt.show() io.imshow(io.imread('monalisa.jpg')) plt.show() Le mode de remplissage "reflect" remplira tous les pixels nouvellement créés après l'application de la transformations aux images seront remplis en reflétant les valeurs des localhost:8888/lab/tree/Jupyter lab/Diagnstic par apprentissage/TP6.ipynb 4/17 13/12/2022 21:20 TP6 pixels existants sur les bords de l'image. [...]
[...] Le paramètre zoom_range spécifie l'intervalle de zoom pour le zoom aléatoire des images. Le paramètre fill_mode spécifie la stratégie à utiliser pour remplir les pixels manquants après une transformation aléatoire et le paramètre cval spécifie la valeur des pixels à utiliser pour remplir les pixels manquants. In datagen = ImageDataGenerator( rotation_range = 45, width_shift_range = 0.2, height_shift_range = 0.2, shear_range = 0.2, horizontal_flip = True, zoom_range = 0.2, fill_mode = 'constant', cval = 125) Expliquez chacune des transformations localhost:8888/lab/tree/Jupyter lab/Diagnstic par apprentissage/TP6.ipynb 1/17 13/12/2022 21:20 TP6 Créez un répertoire pour sauvegarder les images transformées : In x = io.imread('monalisa.jpg') x = x.reshape((1,) + x.shape) Expliquez la dernière ligne de code. [...]
[...] Définissez le chemin pour accéder au répertoire cell_images : In image_directory = "cell_images//" Commentez les lignes de code ci-dessous : In #Cette variable va nous servir à redimensionner l'image SIZE = 150 #Tableau vide qui nous servira à mettre nos jeu de données dataset = #Tableau vide qui nous servira à mettre nos lables label = #Ce code utilise la méthode os.listdir() pour obtenir une localhost:8888/lab/tree/Jupyter lab/Diagnstic par apprentissage/TP6.ipynb 6/17 13/12/2022 21:20 TP6 #liste de tous les fichiers dans #le répertoire image_directory + "Parasitized//". [...]
Source aux normes APA
Pour votre bibliographieLecture en ligne
avec notre liseuse dédiée !Contenu vérifié
par notre comité de lecture