乳腺癌CNN分类：如何替换现有DenseNet代码训练自定义模型？

一、原代码逻辑拆解 #

这段代码是基于预训练模型的迁移学习实现，核心是用DenseNet121提取图像特征，再通过全连接层完成二分类：

# 加载预训练DenseNet121，不含顶层分类器，用ImageNet数据集的权重初始化
in_model = tf.keras.applications.DenseNet121(input_shape=(224,224,3),
                                               include_top=False,
                                               weights='imagenet',classes = 2)
# 冻结预训练模型的所有层，仅训练后续添加的全连接层
in_model.trainable = False
# 定义输入层，对应224×224的3通道图像
inputs = tf.keras.Input(shape=(224,224,3))
# 输入传入预训练模型，得到特征图
x = in_model(inputs)
# 将特征图展平为一维向量
flat = Flatten()(x)
# 添加两个大尺寸全连接层，用ReLU激活
dense_1 = Dense(4096,activation = 'relu')(flat)
dense_2 = Dense(4096,activation = 'relu')(dense_1)
# 输出二分类结果，用softmax激活
prediction = Dense(2,activation = 'softmax')(dense_2)
# 组装完整模型
in_pred = Model(inputs = inputs,outputs = prediction)

二、训练效果差的可能原因 #

• 预训练层完全冻结：DenseNet121是在通用图像数据集上训练的，和乳腺癌医学图像特征差异大，仅训练顶层全连接层无法充分学习任务专属特征
• 全连接层参数冗余：4096神经元的层参数过多，若你的数据集规模较小，极易出现过拟合
• 缺少正则化机制：未加入Dropout、L2正则等，模型泛化能力弱
• 预处理不匹配：预训练模型要求输入符合ImageNet的预处理规则（如像素归一化范围、通道顺序），若你的预处理未对齐，会严重影响特征提取效果

三、替换为自定义模型的方法 #

只需将原代码中预训练模型部分替换为你的自定义模型结构，保持输入层和输出分类层的逻辑即可：

示例：自定义简单CNN模型替换 #

# 自定义特征提取模型（替换原in_model）
def custom_cnn(input_shape):
    inputs = tf.keras.Input(shape=input_shape)
    # 自定义卷积池化层堆叠
    x = tf.keras.layers.Conv2D(32, (3,3), activation='relu', padding='same')(inputs)
    x = tf.keras.layers.MaxPooling2D((2,2))(x)
    x = tf.keras.layers.Conv2D(64, (3,3), activation='relu', padding='same')(x)
    x = tf.keras.layers.MaxPooling2D((2,2))(x)
    x = tf.keras.layers.Conv2D(128, (3,3), activation='relu', padding='same')(x)
    x = tf.keras.layers.MaxPooling2D((2,2))(x)
    return tf.keras.Model(inputs=inputs, outputs=x)

# 初始化自定义模型
custom_model = custom_cnn(input_shape=(224,224,3))
# 自定义模型默认全层可训练，无需冻结（如需部分冻结可自行设置对应层trainable属性）

# 组装完整分类模型（逻辑与原代码一致，仅替换特征提取模块）
inputs = tf.keras.Input(shape=(224,224,3))
x = custom_model(inputs)
flat = tf.keras.layers.Flatten()(x)
# 缩小全连接层规模，添加正则化提升泛化
dense_1 = tf.keras.layers.Dense(256, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(0.01))(flat)
dense_1 = tf.keras.layers.Dropout(0.5)(dense_1)
prediction = tf.keras.layers.Dense(2, activation='softmax')(dense_1)
custom_pred = tf.keras.Model(inputs=inputs, outputs=prediction)

替换步骤总结 #

1. 删除原代码中in_model = tf.keras.applications.DenseNet121(...)及in_model.trainable = False两行，替换为你的自定义模型定义
2. 保留输入层inputs = tf.keras.Input(...)，将输入传入自定义模型得到特征输出
3. 后续全连接层可根据数据集规模调整神经元数量，添加Dropout、L2正则等优化泛化能力
4. 最后按原代码逻辑组装完整模型即可

四、额外优化建议 #

• 检查数据集预处理：确保图像尺寸为224×224，像素值完成正确归一化（如匹配ImageNet的[0,1]或[-1,1]范围）
• 尝试微调预训练模型：将in_model.trainable = False改为True，设置仅训练顶层若干层，或逐步解冻训练，效果可能优于纯自定义模型
• 调整损失与优化器：二分类任务可改用loss='binary_crossentropy'，配合Adam优化器并设置较小学习率（如1e-5）

内容的提问来源于stack exchange，提问作者Eda