今天是第二十三天我們可以寫一個lstm斑馬魚的藥物分析作用系統，以下是程式碼

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping
import os

# 設定影像尺寸和批次大小
img_width, img_height = 150, 150
batch_size = 32
epochs = 20

# 資料路徑
train_data_dir = 'data/train'
validation_data_dir = 'data/validation'

# 設定數據增強
train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)
validation_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

validation_generator = validation_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

# 建立模型
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(img_width, img_height, 3)),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

# 編譯模型
model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)

# 設定回調函數
checkpoint = ModelCheckpoint('best_model.h5', monitor='val_accuracy', save_best_only=True, mode='max')
early_stopping = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)

# 訓練模型
history = model.fit(
    train_generator,
    steps_per_epoch=train_generator.samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=validation_generator.samples // batch_size,
    callbacks=[checkpoint, early_stopping]
)

# 儲存最終模型
model.save('final_model.h5')

# 評估模型
loss, accuracy = model.evaluate(validation_generator)
print(f'Validation Loss: {loss}')
print(f'Validation Accuracy: {accuracy}')

# 使用模型進行預測
from tensorflow.keras.preprocessing import image
import numpy as np

def predict_class(img_path, model):
    img = image.load_img(img_path, target_size=(img_width, img_height))
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)
    img_array /= 255.0
    prediction = model.predict(img_array)
    class_idx = int(prediction > 0.5)
    return 'Drug Effect' if class_idx == 1 else 'No Drug Effect'

# 測試預測
test_img_path = 'data/test/test_image.jpg'
prediction = predict_class(test_img_path, model)
print(f'Prediction: {prediction}')

1. 導入必要的庫

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping
import os

這程式導入了我們在構建和訓練模型時所需的 TensorFlow 庫和一些 Keras 模塊。ImageDataGenerator 用於數據增強，ModelCheckpoint 和 EarlyStopping 用於模型訓練過程中的監控和早停。

2. 設定影像尺寸和批次大小

img_width, img_height = 150, 150
batch_size = 32
epochs = 20

這裡我們設定影像的寬度和高度為 150x150 像素，批次大小為 32，訓練迭代次數（epochs）為 20 次。

3. 資料路徑

train_data_dir = 'data/train'
validation_data_dir = 'data/validation'

指定訓練數據和驗證數據的資料夾路徑。你需要將你的影像數據組織在這些資料夾中。

4. 設定數據增強

train_datagen = ImageDataGenerator(
    rescale=1./255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True
)
validation_datagen = ImageDataGenerator(rescale=1./255)

這裡我們使用 ImageDataGenerator 進行數據增強：

• rescale=1./255：將影像像素值標準化到 [0, 1] 範圍。
• shear_range=0.2：隨機剪切影像。
• zoom_range=0.2：隨機縮放影像。
• horizontal_flip=True：隨機水平翻轉影像。

驗證數據只進行標準化，不進行增強，以保證數據的一致性。

5. 創建數據生成器

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

validation_generator = validation_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary'
)

flow_from_directory 方法從指定資料夾中加載影像，並對影像進行增強。target_size 設置影像大小，batch_size 設置每個批次的樣本數，class_mode='binary' 表示進行二分類。

6. 建立模型

model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(img_width, img_height, 3)),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(128, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(512, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

這程式建立了一個卷積神經網絡（CNN）模型：

• 卷積層（Conv2D）：提取影像特徵。這裡使用了三層卷積層，每層的過濾器數量分別是 32、64 和 128，過濾器的大小為 3x3。
• 池化層（MaxPooling2D）：減少影像的尺寸和計算量。這裡使用了 2x2 的池化層。
• 展平層（Flatten）：將卷積層的輸出展平成一維數據，以便輸入到全連接層。
• 全連接層（Dense）：進行分類。這裡使用了一個具有 512 個神經元的全連接層，激活函數為 ReLU。
• Dropout 層：隨機丟棄 50% 的神經元以防止過擬合。
• 輸出層：具有一個神經元，激活函數為 Sigmoid，進行二分類預測。

7. 編譯模型

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=['accuracy']
)

使用 Adam 優化器和二元交叉熵損失函數來編譯模型，並指定 accuracy 作為評估指標。

8. 設定回調函數

checkpoint = ModelCheckpoint('best_model.h5', monitor='val_accuracy', save_best_only=True, mode='max')
early_stopping = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)

• ModelCheckpoint：在每次驗證集準確率提高時保存模型權重，save_best_only=True 只保存最佳模型。
• EarlyStopping：如果驗證集損失在 5 次迭代內沒有改善，則提前停止訓練，restore_best_weights=True 恢復到最佳權重。

9. 訓練模型

history = model.fit(
    train_generator,
    steps_per_epoch=train_generator.samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=validation_generator.samples // batch_size,
    callbacks=[checkpoint, early_stopping]
)

• train_generator：訓練數據生成器。
• steps_per_epoch：每個 epoch 中步數的計算，根據每批次的樣本數進行。
• epochs：訓練的迭代次數。
• validation_data 和 validation_steps：驗證數據生成器和步數。
• callbacks：包括模型檢查點和早停的回調函數。

10. 儲存最終模型

model.save('final_model.h5')

儲存訓練完成的最終模型。

11. 評估模型

loss, accuracy = model.evaluate(validation_generator)
print(f'Validation Loss: {loss}')
print(f'Validation Accuracy: {accuracy}')

使用驗證數據評估模型的性能，並輸出損失和準確率。

12. 使用模型進行預測

from tensorflow.keras.preprocessing import image
import numpy as np

def predict_class(img_path, model):
    img = image.load_img(img_path, target_size=(img_width, img_height))
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)
    img_array /= 255.0
    prediction = model.predict(img_array)
    class_idx = int(prediction > 0.5)
    return 'Drug Effect' if class_idx == 1 else 'No Drug Effect'

# 測試預測
test_img_path = 'data/test/test_image.jpg'
prediction = predict_class(test_img_path, model)
print(f'Prediction: {prediction}')

• predict_class 函數加載並預處理單張影像，然後使用模型進行預測。
• image.load_img 和 image.img_to_array 用於影像的加載和轉換。
• np.expand_dims 增加一個維度以符合模型的輸入要求。
• model.predict 預測影像的類別，根據預測結果判斷是否存在藥物效果。

這程式的目的是從影像數據中學習藥物的影響，並通過訓練好的模型進行預測。