使用CNN和Python实施的肺炎检测！这个项目你给几分？( 三 ) 介绍嘿!几个小时前我刚刚完成一个深度

标签预处理此时，两个y变量都由以字符串数据类型编写的正常，细菌或病毒组成。实际上，这样的标签只是神经网络所不能接受的。因此，我们需要将其转换为单一格式。
幸运的是，我们从Scikit-Learn模块获取了 OneHotEncoder对象，它对完成转换非常有帮助。为此，我们需要先在y_train和y_test上创建一个新轴。 (我们创建了这个新轴，因为那是OneHotEncoder期望的形状) 。
y_train = y_train[:, np.newaxis] y_test = y_test[:, np.newaxis] 接下来，像这样初始化one_hot_encoder 。请注意，在这里我将False作为稀疏参数传递，以便简化下一步。但是，如果你想使用稀疏矩阵，则只需使用sparse = True或将参数保留为空即可。
one_hot_encoder = OneHotEncoder(sparse=False) 最后，我们将使用one_hot_encoder将这些y数据转换为one-hot 。然后将编码后的标签存储在y_train_one_hot和y_test_one_hot中。这两个数组是我们将用于训练的标签。
y_train_one_hot = one_hot_encoder.fit_transform(y_train) y_test_one_hot = one_hot_encoder.transform(y_test) 将数据X重塑为(None ， 200 ， 200 ， 1)现在让我们回到X_train和X_test 。重要的是要知道这两个数组的形状分别为(5216、200、200)和(624、200、200) 。
乍一看，这两个形状看起来还可以，因为我们可以使用plt.imshow()函数进行显示。但是，这种形状卷积层不可接受，因为它希望将一个颜色通道作为其输入。
因此，由于该图像本质上是灰度图像，因此我们需要添加一个1维的新轴，该轴将被卷积层识别为唯一的颜色通道。虽然它的实现并不像我的解释那么复杂：
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], X_train.shape[2], 1) X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], X_test.shape[2], 1) 运行上述代码后，如果我们同时检查X_train和X_test的形状，那么我们将看到现在的形状分别是(5216 ， 200 ， 200 ， 1)和(624 ， 200 ， 200 ， 1) 。
数据扩充增加数据(或者更具体地说是增加训练数据)的要点是，我们将通过创建更多的样本(每个样本都具有某种随机性)来增加用于训练的数据数量。这些随机性可能包括平移、旋转、缩放、剪切和翻转。
这种技术可以帮助我们的神经网络分类器减少过拟合，或者说，它可以使模型更好地泛化数据样本。幸运的是，由于存在可以从Keras模块导入的ImageDataGenerator对象，实现非常简单。
datagen = ImageDataGenerator(rotation_range = 10,zoom_range = 0.1,width_shift_range = 0.1,height_shift_range = 0.1) 因此，我在上面的代码中所做的基本上是设置随机范围。
接下来，在初始化datagen对象之后，我们需要做的是使它和我们的X_train相匹配。然后，该过程被随后施加的flow()的方法，该步骤中是非常有用的，使得所述 train_gen对象现在能够产生增强数据的批次。
datagen.fit(X_train)train_gen = datagen.flow(X_train, y_train_one_hot, batch_size=32) CNN(卷积神经网络)现在是时候真正构建神经网络架构了。让我们从输入层(input1)开始。因此，这一层基本上会获取X数据中的所有图像样本。因此，我们需要确保第一层接受与图像尺寸完全相同的形状。值得注意的是，我们仅需要定义(宽度，高度，通道) ，而不是(样本，宽度，高度，通道) 。
此后，此输入层连接到几对卷积池层对，然后最终连接到全连接层。请注意，由于ReLU的计算速度比S型更快，因此模型中的所有隐藏层都使用ReLU激活函数，因此所需的训练时间更短。最后，要连接的最后一层是output1 ，它由3个具有softmax激活函数的神经元组成。