吴恩达-医学图像人工智能专项课程-第一课第一周12-13节 多任挑战总结
Posted Tina姐
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了吴恩达-医学图像人工智能专项课程-第一课第一周12-13节 多任挑战总结相关的知识,希望对你有一定的参考价值。
前面我们已经学习了如何处理类别不平衡。这节课我们来探讨第二个挑战-多任务挑战
目前为止,我们已经研究了二分类,我们关心的是一个例子是否是有 mass 疾病。
然而,在现实世界中,我们关心的是对许多此类疾病的存在与否进行分类。现在,一个简单的方法是让每个模型学习分别学习这些任务中的一个。即A模型学习是否有肺炎,B 模型学习是否有气胸等。
当然,我们可以学习使用一个模型来完成所有的任务。即多任务学习。
这样做的一个好处是,我们可以学习识别多种疾病的共同特征,从而使我们能够更有效地利用现有数据。这是多任务学习的设置。
让我们看看如何训练算法同时学习所有这些任务。
如图,这些例子不再是一个标签,而是每个疾病都有一个标签。零表示没有该疾病,而1表示该疾病的存在。
假设我们这里的任务是预测胸片中是否包含3中疾病(mass, pneumonia, edema)(肿块,肺炎,水肿)。
如患者P1,标签为(0,1,0)。表示没有肿块,有肺炎,没有水肿。
该模型不再有一个输出,而是有三个不同的输出,表示三种不同疾病的概率。
为了训练这样一个算法,我们还需要将损失函数从二分类loss 修改为多任务loss。让我们看看如何做到这一点。
多任务损失函数
我们修改了损失函数,这样我们就可以看到与每种疾病相关的误差。我们可以用多种疾病的损失之和来表示我们的新损失。如图中公式。
这称为multi-label(多标签), multi-task(多任务)损失。
在这个图中,我们给出了每个例子的预测概率,以及每个类别下对应的loss。
比如对于P1患者,mass疾病的预测概率为0.3, loss为0.52。pneumonia预测概率为0.1, loss为0.7。edama的预测概率为0.8, loss为0.7。对于P1,总的loss为它们之和。
最后要考虑的是如何在多任务设置中解释类不平衡。
再一次,我们可以应用之前我们已经学过的加权损失。
只不过,在二分类中,阳性和阴性的权重分别只有一个。
但,对多分类而言,有几种疾病,就有几个不同的权重设置。比如,在图片中,对mass疾病而言,它有 w p w_p wp,也有 w n w_n wn。
同样,pneumonia和edema也有 w p w_p wp, w n w_n wn。
文章持续更新,可以关注微信公众号【医学图像人工智能实战营】获取最新动态,一个关注于医学图像处理领域前沿科技的公众号。坚持已实践为主,手把手带你做项目,打比赛,写论文。凡原创文章皆提供理论讲解,实验代码,实验数据。只有实践才能成长的更快,关注我们,一起学习进步~
我是Tina, 我们下篇博客见~
白天工作晚上写文,呕心沥血
觉得写的不错的话最后,求点赞,评论,收藏。或者一键三连
以上是关于吴恩达-医学图像人工智能专项课程-第一课第一周12-13节 多任挑战总结的主要内容,如果未能解决你的问题,请参考以下文章