You need to enable JavaScript to run this app. 如何在Keras图像分类器中加入图像外特征实现乳腺癌预测
优惠活动
大模型
产品
解决方案
定价
更多

如何在Keras图像分类器中加入图像外特征实现乳腺癌预测

报错原因

你使用的Sequential是Keras的单输入单输出串行模型,仅支持一组输入和一组标签的训练流程。你调用model.fit(X,z,y, epochs = 20)时传入了3个参数,Keras会默认将第二个参数z识别为标签,第三个参数y识别为样本权重,内部对数组做布尔判断时就触发了The truth value of an array with more than one element is ambiguous的错误。

多特征联合训练的正确实现

要实现图像+数值特征的联合训练,需要使用Keras的Functional API搭建多输入模型,分别处理图像特征和数值特征后拼接再做分类,完整实现步骤如下:

1. 依赖导入

import numpy as np
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, Flatten, Dense, concatenate

2. 数据预处理

如果你的乳腺密度数组z当前是一维结构(shape为(样本数,)),需要先转成二维结构适配输入层要求:

z = np.expand_dims(z, axis=-1)
# 后续要加年龄等其他数值特征时,按列拼接即可,比如年龄数组为a:
# z = np.hstack([z, a.reshape(-1,1)])

3. 多输入模型搭建

# 定义图像输入分支,用于提取图像特征
input_img = Input(shape=X.shape[1:], name="image_input")
x = Conv2D(64, (3,3), activation="relu")(input_img)
x = MaxPooling2D((2,2))(x)
x = Conv2D(64, (3,3), activation="relu")(x)
x = MaxPooling2D((2,2))(x)
x = Flatten()(x)
img_feature = Dense(64, activation="relu")(x)

# 定义数值特征输入分支,用于处理乳腺密度、年龄等非图像特征
input_num = Input(shape=(z.shape[1],), name="numeric_input")
num_feature = Dense(32, activation="relu")(input_num)

# 拼接两类特征后接入分类层
concat_feature = concatenate([img_feature, num_feature])
output = Dense(2, activation="softmax")(concat_feature)

# 实例化模型,指定多输入和输出
model = Model(inputs=[input_img, input_num], outputs=output)

4. 模型编译与训练

model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
# 训练时输入为包含图像和数值特征的列表,第二个参数为标签y
model.fit([X, z], y, epochs=20, batch_size=32, validation_split=0.2)

预测调用注意事项

训练完成后做预测时,也需要同时传入对应样本的图像和数值特征:

pred = model.predict([test_X, test_z])

内容的提问来源于stack exchange,提问作者Guilherme Moutinho

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.11 20:57:01