medicine

分支： （1）master:薛皓天（提交用户 薛皓天 和 123456） （2）xueaoxiang_branch:薛傲翔（提交用户 薛傲翔） （3）xiangjincheng_branch:向金成（提交用户 向金成） （4）wumengyang_branch:吴梦阳（提交用户 吴梦阳）

前端思路

第一步、思路构思

• 创建web项目，使用Java进行编写
  • spring-boot作为框架、mybatis作为数据库框架
  • mysql作为数据库
• 前端代码使用vue、html、js等语言进行编写

第二步、创建项目

• 使用maven创建springboot项目
  • 导入需要的依赖

第三步、编写代码

图像识别思路

第一步、搜集数据集

• 文件保存在picture文件夹中
  • benign 良性乳腺癌图片
  • malignant 恶性乳腺癌图片
  • normal 正常乳腺癌图片
• 以70%作为训练集、30%作为测试集

第二步、处理数据集

• (1) 读取图片
• (2) 使用sklearn.model_selection中的train_test_split 分割数据集
• (3) 使用plt打印图片

第三步训练

• 训练模型选择

  • 使用Microsoft提出的DenseNet201框架进行训练
  • DenseNet201包含201层卷积层和全连接层
  • 拥有池化操作，非常适合训练模型

• 激活函数选择

  • 使用softmax作为激活函数

  • Softmax(z_{i} )=\frac{e^{z_{i}}}{ {\textstyle \sum_{c=1}^{c} e^{z_{c}}}}

    其中zi为第i个节点的输出值，c为输出节点的个数

• 损失函数选择

  • 使用二元交叉熵给出

  • Loss = \frac{1}{N} \sum_{i=1}^{N}[y_{i}log(p(y_{i})) + (1-y_{i})(1 - log(p(y_{i})))]

• 优化器选择

  • Nadam优化器
  • 该优化器综合Adam将RMSprop和动量结合起来
  • 优于Adam优化器

第四步测试

• 导入图片
  • 使用PIL进行读取图片
  • 使用test pic进行测试
  • tensorflow load_model进行模型的加载
  • predict进行模型的预测