michelpf / fiap-ml-visao-computacional-analise-imagens-medicas Goto Github PK

Bom dia Professor,
Tenho uma dúvida simples.
No Trecho "Escolha o número adequado de épocas para alcançarmos pelo menos 70% de precisão de validação." você se refere a qual campo: precision_score ou val_precision_score?

O exemplo abaixo estaria dentro ou fora da regra solicitada?
loss: 0.5491 - precision_score: 0.8256 - recall_score: 0.7437 - f1_score: 0.7802 - val_loss: 1.4294 - val_precision_score: 0.3760 - val_recall_score: 0.3688 - val_f1_score: 0.3723

Obrigado!

Boa noite, estou com grande dificuldade em entender os passos a serem seguidos e o que é esperado nas implementações. Acredito que esses exercícios deveriam ser explicados em sala de aula e não apenas em um arquivo a ser seguido.
Logo no começo já fica a dúvida de como prosseguir, conforme trecho abaixo:

"Para construir este classificador, utilize o dataset do Kaggle Chest Ray Pneumonia e organize os dados de forma a separar em cada uma das classes que já estão definidas no diretório raio-x, sendo controle para as imagens normais (sem inflamação), bactéria para as imagens de pneumonia bacteriana e viral para as imagens de pneumonia viral."

Dúvida - Quais caminhos e pastas devem ser criados? pois ao efetuar o download do projeto as pastas estão vazias, sem identificação de imagens e locais onde salvar, diferentemente do projeto de auditoria de vídeo, o qual já possui as imagens e pastas definidas.

Critica construtiva - Esses trabalhos deveriam ser mais explorados em sala de aula, o aluno fica sem saber o que fazer ao apenas ler um documento, situação que piora quando o processo de solução de dúvidas fica restrito a uma ferramenta que poucos tem familiaridade.

Obrigado.

ValueError: You are passing a target array of shape (32, 1) while using as loss categorical_crossentropy. categorical_crossentropy expects targets to be binary matrices (1s and 0s) of shape (samples, classes). If your targets are integer classes, you can convert them to the expected format via:

from keras.utils import to_categorical
y_binary = to_categorical(y_int)

Alternatively, you can use the loss function sparse_categorical_crossentropy instead, which does expect integer targets.

A imagem:

Gostaria de usar a pasta de teste do conjunto de dados para a validação.

Minha ideia é aprimorar (augment) as imagens de treino, mas não queria mexer nas de validação. E com o Keras fazendo a divisão isso não é possível.

Posso usar a base de teste para validar então?

Te fiz um convite no github, pois deixei privado;

Tenho que subir as imagens também ou só o código?

O meu código já está rodando e fui pesquisar a documentação e o código está funcionando de uma maneira diferente da documentação, acredito que eu esteja vendo no lugar errado.

O link da documentação: https://keras.io/api/layers/core_layers/dense/

O git do meu código: https://github.com/marcelokayata/desafio_visao/blob/master/analise-imagens-medicas.ipynb

Estou tentando mexer no Keras para aumentar o val_precision_score

Erro: Input 0 is incompatible with layer global_average_pooling2d_3: expected ndim=4, found ndim=2
Está igual ao de frutas, porém a parte do resnet, coloquei a versão nova e pelo que entendi, já subistitui a parte de layers, mas não entendi como faz para treinar, peguei o exemplo que passou do resnet: https://keras.io/api/applications/resnet/#resnet50-function.

Onde que eu posso procurar de como treinar algo novo? Procurei nessa documentação e não encontrei.