我正在开发一个卷积神经网络（CNN）模型，用于预测患者属于第1、2或3类。我使用TensorFlow上的Keras进行开发。
我有一个包含145名神经心理学受试者的数据集，这些受试者被分为三类（1=正常，2=……，3=认知障碍）。每个患者的数据集中包含90组同时拍摄的MRI扫描图像，每个MRI文件夹内包含这些图像。总数据集包含145个病例，每个病例的子文件夹中包含90张MRI图像。
我已经学会了如何处理基本的“猫狗-CNN分类器”，因为我只需将所有的猫和狗图像放入一个文件夹中来训练网络，这与我的情况不同。但是，我该如何处理我的神经心理学受试者数据集，并在训练后一次性使用每个受试者的所有图像进行预测呢？
我查看了类似的提问，但答案不够清晰，且在应用后不起作用。使用多个文件夹和子文件夹训练CNN模型
谢谢，请建议一些我可以使用的算法。
回答：
如果你确定要一次性从一个受试者的所有图像中学习，你的输入形状需要包括图像数量作为一个维度，像这样：
(num_of_images, x_pix, y_pix, channels)
例如，如果你将扫描图像缩小到256*256的RGB图像，那么你的形状将是：(90,256,256,3)
这是一个相当大的输入需要处理，我建议你将其分成更小的组，只使用扫描图像的一个子集，比如(10,256,256,3)
很可能你无法将所有图像预处理到内存中来解决这个问题，你应该使用生成器作为输入，尝试这个模板：
from tensorflow.keras.utils import Sequenceimport numpy as npclass Custom_Generator(Sequence): #初始化生成器 def __init__(self, file_sets, label, batch_size) : self.file_sets = file_sets self.label = label self.batch_size = batch_size #返回这个生成器将返回的数据批次数量 def __len__(self) : return (np.ceil(len(self.file_sets) / float(self.batch_size))).astype(np.int) #返回一个批次 def __getitem__(self, idx) : #在这里执行你需要的所有操作来加载和预处理你的数据 return x, y为你的训练和验证集制作一个生成器，并在调用model.fit()时使用它
或者查看https://www.tensorflow.org/api_docs/python/tf/data/Dataset
如这里所使用https://www.tensorflow.org/tutorials/images/segmentation
对于模型本身，从你见过的教程中的简单CNN开始，整理好你的预处理流程，然后看看你的模型得分。如果你仍然需要改进，可以尝试这些之一：https://keras.io/api/applications/
