用python读取mat格式的元胞数组（图片训练集），训练一个卷积神经网络二分类模型_python读取matlab元胞数组

应用背景

matlab在图像处理上有着非常大的优势，而在某些情况下预处理完的数据需要在python上训练。

在数据导入的环节往往会出现许多问题。

数据来源

 训练数据集是我自己拍摄的红外三通道图像，经预处理后为131张单通道的规模为1430*1072的图像，保存在train.mat中，标签名为B

测试集是后60张图片，保存在test.mat。

训练标签是保存在Excel里的分类目标

 python代码（数据读入）：

from scipy.io import loadmat
import pandas as pd
import numpy
train_labels = pd.read_excel('训练.xlsx')
print(train_labels)
test_labels = pd.read_excel('测试.xlsx')
train_labels = train_labels.to_numpy()
test_labels = test_labels.to_numpy()
path = r"train.mat"  # mat文件路径
data1 = loadmat(path)  # 读取mat文件
path = r"test.mat"  # mat文件路径
data2 = loadmat(path)
#print(data1.keys())  # 查看mat文件中包含的变量
 
#Out:
#dict_keys(['__header__', '__version__', '__globals__', 'A', 'C', 'n', 's'])
train_images = data1['B']
train_images = numpy.stack(train_images[:, 0], axis=0)
train_images = numpy.expand_dims(train_images, axis=-1)
test_images = data2['C']
test_images = numpy.stack(test_images[:, 0], axis=0)
test_images = numpy.expand_dims(test_images, axis=-1)

解释：

        xlsx文件标签集的读取选择使用pandas库，读入后的数据结构为dataframe，为了格式统一将其转换成数组形式；

train_labels = train_labels.to_numpy()
test_labels = test_labels.to_numpy()

         mat文件的读取使用scipy.io中的loadmat,他会返回一个字典，指定对应的标签可获得一个数组。但是这里我希望的数组应该是一个三维图片数组（131，维度，维度），而返回的仅仅为（131，1），因此需要对其中的数据堆叠成能够适用于模型的大小；

train_images = data1['B']
train_images = numpy.stack(train_images[:, 0], axis=0)
train_images = numpy.expand_dims(train_images, axis=-1)

python代码（搭建神经网络）：

# 构建卷积神经网络模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(1430,1072,1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
 
# 添加全连接层
model.add(layers.Flatten())
model.add(layers.Dense(1, activation='sigmoid'))
 
# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])
 
# 训练模型
history = model.fit(train_images, train_labels, epochs=10, batch_size=10,
                    validation_data=(test_images, test_labels))
predictions = model.predict(test_images)
predictions = numpy.round(predictions).astype(int)
print(predictions)
 

一个简单的卷积神经网络代码。

全部代码如下：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
from scipy.io import loadmat
import pandas as pd
import numpy
train_labels = pd.read_excel('训练.xlsx')
print(train_labels)
test_labels = pd.read_excel('测试.xlsx')
train_labels = train_labels.to_numpy()
test_labels = test_labels.to_numpy()
path = r"train.mat"  # mat文件路径
data1 = loadmat(path)  # 读取mat文件
path = r"test.mat"  # mat文件路径
data2 = loadmat(path)
#print(data1.keys())  # 查看mat文件中包含的变量
 
#Out:
#dict_keys(['__header__', '__version__', '__globals__', 'A', 'C', 'n', 's'])
train_images = data1['B']
train_images = numpy.stack(train_images[:, 0], axis=0)
train_images = numpy.expand_dims(train_images, axis=-1)
test_images = data2['C']
test_images = numpy.stack(test_images[:, 0], axis=0)
test_images = numpy.expand_dims(test_images, axis=-1)
 
 
# 构建卷积神经网络模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(1430,1072,1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
 
# 添加全连接层
model.add(layers.Flatten())
model.add(layers.Dense(1, activation='sigmoid'))
 
# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])
 
# 训练模型
history = model.fit(train_images, train_labels, epochs=10, batch_size=10,
                    validation_data=(test_images, test_labels))
predictions = model.predict(test_images)
predictions = numpy.round(predictions).astype(int)
print(predictions)

结果：