政安晨：【Keras机器学习实践要点】（二十二）—— 基于 TPU 的肺炎分类

最新推荐文章于 2025-08-04 20:21:53 发布
最新推荐文章于 2025-08-04 20:21:53 发布
阅读量1.1k 收藏 19
点赞数 19
CC 4.0 BY-SA版权
分类专栏： TensorFlow与Keras机器学习实战 文章标签： 机器学习 keras 分类 tensorflow 深度学习 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/snowdenkeke/article/details/137509231
本文介绍了如何使用Keras和TPU对医学图像进行肺炎分类。通过构建CNN模型，处理数据不平衡问题，并进行训练和评估，展示了如何利用深度学习提升医疗图像分析的准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文 超级会员免费看
政安晨：【Keras机器学习实践要点】（四）—— 顺序模型
政安晨——致力于AI人工智能数字互动领域
03-27 1102
Keras是一个用于构建和训练深度学习模型的开源库。在Keras中，顺序模型是最简单的一种模型类型，它是一个线性堆叠的神经网络模型。顺序模型由一系列网络层按照顺序连接而成，每个网络层都可以包含多个神经元。
政安晨：【Keras机器学习实践要点】（二）—— 给首次接触Keras 3 的朋友
政安晨——致力于AI人工智能数字互动领域
03-26 1657
Keras 3是一个深度学习框架，可以与TensorFlow、JAX和PyTorch互换使用。本文将介绍Keras 3的关键工作流程。 一个MNIST卷积神经网络：训练一个卷积神经网络来对MNIST数字进行分类。这是机器学习领域的HelloWorld。
医学图像分类 — 肺炎诊断示例
Warmer_Sweeter
12-30 1719
在本文中，我讨论了计算机视觉如何在肺炎诊断中发挥作用，以胸部X射线图像的肺炎诊断为例。我使用了来自Kaggle数据集的X射线胸部图像。该数据集包含三类图像：我使用这些数据解决以下任务：创建一个系统，可以确定输入的X射线胸部图像属于“正常（无肺炎）”类别还是“肺炎（细菌或病毒）”类别，即2类分类器。创建一个系统，可以确定输入的X射线胸部图像属于“正常（无肺炎）”类别还是“肺炎-细菌”类别还是“肺炎-...
政安晨：【Keras机器学习实践要点】（三）—— 编写组件与训练数据
政安晨——致力于AI人工智能数字互动领域
03-26 954
通过 Keras，您可以编写自定义层、模型、度量指标、损失和优化器，并在同一代码库中跨 TensorFlow、JAX 和 PyTorch 运行。
政安晨：【Keras机器学习实践要点】（二十三）—— 紧凑型卷积变换器
政安晨——致力于AI人工智能数字互动领域
04-10 1217
本文目标：用于高效图像分类的紧凑型卷积变换器 正如视觉变换器（ViT）论文中所讨论的，基于变换器的视觉架构通常需要比通常更大的数据集，以及更长的预训练时间。对于 ViT 而言，ImageNet-1k（拥有约一百万张图像）被认为属于中等数据规模。这主要是因为，与 CNN 不同，ViT（或典型的基于 Transformer 的架构）不具备信息充分的归纳偏差（如处理图像的卷积）。 这就引出了一个问题：难道我们不能在单一网络架构中结合卷积的优势和变形器的优势吗？
政安晨：【Keras机器学习实践要点】（七）—— 使用TensorFlow自定义fit()
政安晨——致力于AI人工智能数字互动领域
03-29 1370
在TensorFlow中，fit()是一个非常强大和常用的训练函数，它可以批次地训练模型并监测其性能。虽然fit()提供了很多有用的默认行为，但有时您可能想自定义fit()中发生的操作。 一种自定义fit()的方法是使用回调函数。 另一种自定义fit()的方法是编写自定义的训练循环。 最后，您还可以自定义fit()的行为通过设置fit()函数的其他参数。 总而言之，TensorFlow提供了多种方法来自定义fit()函数中发生的操作。 今天我们讲的就是keras api 在这里的应用方法。
政安晨：【Keras机器学习实践要点】（十一）—— 编写自己的回调
政安晨——致力于AI人工智能数字互动领域
03-31 1349
本文是编写新 Keras 回调的完整指南。 回调是在训练、评估或推理过程中自定义 Keras 模型行为的强大工具。 在本文中，您将了解什么是 Keras 回调、它能做什么以及如何构建自己的回调。 我们将提供一些简单的回调应用演示，帮助您快速入门。
政安晨：【Keras机器学习实践要点】（六）—— 使用内置方法进行训练和评估
政安晨——致力于AI人工智能数字互动领域
03-28 1022
本文涵盖使用内置 API 进行训练和验证（如 Model.fit()、Model.evaluate() 和 Model.predict()）时的训练、评估和预测（推理）模型。 一般来说，无论您是使用内置循环还是编写自己的循环，模型训练和评估在每种 Keras 模型中的工作方式都是严格相同的，包括顺序模型、使用功能 API 构建的模型以及通过模型子类化从头编写的模型。
政安晨：【Keras机器学习实践要点】（九）—— 保存、序列化和导出模型
政安晨——致力于AI人工智能数字互动领域
03-30 942
这篇文章是保存、序列化和导出模型的完整指南。 Keras 模型由多个组件组成： 架构或配置，指定模型包含哪些层，以及它们如何连接。 一组权重值（"模型状态"）。 一个优化器（通过编译模型定义）。 一组损失和度量（通过编译模型定义）。 Keras API 将所有这些部分保存为统一格式，以 .keras 扩展名标记。
5G毫米波射频前端设计：从GaN功放到混合信号集成方案
ytttr873的博客
07-31 455
同时，GaN功放还具备较高的功率附加效率（PAE），相比传统的半导体材料功放，能够在提供相同功率输出的情况下消耗更少的电能，这对于降低设备的能耗和散热需求具有重要意义。随着5G通信技术的飞速发展，毫米波频段凭借其丰富的频谱资源，成为满足5G高速率、大容量数据传输需求的关键频段。然而，毫米波信号的高频特性带来了诸多设计挑战，射频前端作为无线通信系统中负责信号发射与接收的核心部分，其设计至关重要。GaN功放通过优化电路设计和工艺，能够在高功率输出的情况下保持良好的线性度，确保信号在传输过程中的准确性和可靠性。
机器学习第三课之逻辑回归（二）LogisticRegression
m0_74977182的博客
08-01 1411
本文介绍了逻辑回归模型的分类评估方法和正则化技术。主要内容包括：1）混淆矩阵中的TP、FP、FN、TN概念及准确率、精确率、召回率、F1-score等评估指标；2）正则化惩罚项（L1/L2）的作用原理及其对模型过拟合的调节；3）欠拟合和过拟合的原因及解决方法；4）K折交叉验证的原理和实现方法，用于模型调参；5）通过信用卡欺诈检测案例，演示如何使用交叉验证选择最优正则化参数C值，提升模型在召回率指标上的表现。文章结合理论解释和Python代码实现，帮助读者掌握逻辑回归模型评估与优化的关键方法。
python学智能算法（二十九）|SVM-拉格朗日函数求解中-KKT条件理解
专注python+工程实践的热心婶子
07-31 668
本文介绍了KKT条件在带约束优化问题中的应用原理。通过"力的平衡"类比，阐释了KKT五大规则：目标函数梯度与约束梯度加权和平衡（拉格朗日乘子权重）；不等式约束条件的边界限制；拉格朗日乘子非负性保证方向正确；互补松弛性确保未激活约束不影响；等式约束严格成立。这些条件共同判断优化问题中既满足约束又无法改进的局部最优解。文章以直观的物理类比帮助理解数学优化条件，为后续应用奠定理论基础。
机器学习sklearn：处理缺失值
weixin_46407807的博客
08-01 219
摘要：本文介绍了使用Scikit-learn的SimpleImputer处理泰坦尼克号数据缺失值的方法。首先导入数据并检查缺失情况，然后针对Age列分别演示了均值、中位数和0值填补策略，最终选择中位数填补。对于Embarked列则采用众数填补。此外还展示了使用Pandas直接填充中位数的方法。全文通过具体代码示例展示了数据预处理的关键步骤，包括数据读取、缺失值识别和三种不同的填补策略应用。文末附有完整的原始数据集供参考。
机器学习：开启智能时代的钥匙
2302_76568160的博客
08-01 558
简单来说，机器学习是人工智能的一个重要分支，它让计算机能够在没有明确编程的情况下自主学习和改进。传统的编程模式中，程序员需要编写详细的指令，告诉计算机每一步该做什么；而机器学习则颠覆了这种模式，它通过设计算法，让计算机从数据中自主发现规律，进而实现对未知事件的预测或决策。打个比方，假设我们要让计算机识别图片中的猫。
机器学习（8）：线性回归
2401_83189603的博客
08-04 640
本文介绍了线性回归的基本概念及应用。主要内容包括：1）回归分析的定义，区分标称型和连续性数据；2）线性回归原理及示例说明，通过拟合直线描述变量间关系；3）损失函数和均方差的概念；4）多参数回归中权重计算的方法；5）最小二乘法的应用；6）Python中sklearn库的LinearRegression API使用示例，包括参数设置、模型训练和预测实现。文章通过植物生长高度预测的实例，展示了如何利用线性回归建立数学模型解决实际问题。
机器学习03——数据与算法初步2
qq_73960031的博客
07-31 985
本文介绍了决策树的基本概念及其在机器学习中的应用。决策树通过树状结构进行决策，具有可视化、易解释等优点，但也存在过拟合风险。重点讲解了两种决策树构建方法：信息增益和基尼指数。信息增益通过计算信息熵变化选择最优划分属性，而基尼指数则通过测量数据集不纯度进行划分。文中通过贷款预测和工资分类案例详细演示了这两种方法的具体计算过程。最后提供了Python代码示例，展示如何使用sklearn库实现决策树分类，包括数据加载、模型训练、评估和可视化。决策树作为一种基础算法，在分类问题中具有重要应用价值。
机器学习05——正则化与逻辑回归
最新发布
qq_73960031的博客
08-04 944
本文简要介绍了机器学习中的三种训练策略，其中最常用的还是MBGD。此外海讲解了梯度下降法的一种优化策略，即针对过拟合而使用的正则化。最后还讲解了逻辑回归。
机器学习中的经典算法
wzdzgdf的博客
08-03 1003
机器学习的经典算法是构建现代 AI 系统的基础，涵盖监督学习、无监督学习、集成学习等多个方向。这些算法虽诞生于不同时期，但至今仍在数据挖掘、推荐系统、图像识别等领域广泛应用
机器学习（2）：特征工程
2401_83189603的博客
07-31 170
特征工程是机器学习中的重要预处理步骤，主要包括特征提取、无量纲化和降维三个核心环节。特征提取涉及字典特征提取和文本特征提取（词频/TF-IDF）；无量纲化通过归一化（MinMaxScaler）和标准化（StandardScaler）消除量纲影响；降维则采用低方差过滤和主成分分析（PCA）减少特征维度。常用API包括DictVectorizer、CountVectorizer、TfidfVectorizer等工具，配合Scikit-learn库实现数据转换。该过程能有效提升模型性能，尤其适用于高维数据（如加州
政安晨机器学习入门：Python与Pandas数据包下载指南
资源摘要信息:"《政安晨：机器学习快速入门（一）基于Python与Pandas》的示例数据包是为了辅助读者在学习机器学习基础概念和技巧时，通过实际操作和分析数据来加深理解。文章本身作为入门指南，强调了Python作为编程...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

政安晨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值