基于vgg的CT_COVID与CT_NonCOVID二分类识别

本次是否感染COVID的检测

代码演示可以看bilibili010期

到此一游7758258的个人空间_哔哩哔哩_bilibili

效果图如下：

整体代码文件如下：

dataset文件夹存放的是是否感染COVID的图像 通过01训练数据集文本生成.py将数据集文件夹下的图像路径保存在当前文件下的test.txt,和train.txt中，再运行02VGG16迁移学习训练模型.py读取txt中的数据进行训练。得到的模型保存为当前文件下的model.ckpt.然后运行03预测.py可以调用上一步保存的模型对单张图片进行识别。

04pyqt界面.py是展示可视化的ui界面，可以通过点击按钮加载图片识别。

介绍

CNN代表卷积神经网络（Convolutional Neural Network）。它是一种在计算机视觉和图像处理领域非常成功的深度学习模型。CNN的设计灵感来源于生物学上的视觉处理原理。

CNN主要用于处理具有网格结构的数据，例如图像、视频和音频信号。相比于传统的神经网络结构，CNN在处理这些数据上具有更好的性能和效率。

CNN的核心组件是卷积层（Convolutional Layer），它通过卷积运算提取输入数据的特征。卷积操作使用一个小的可学习的滤波器（也称为卷积核）在输入数据上进行滑动窗口形式的局部操作，从而捕捉到不同位置的局部特征。通过在不同的卷积层之间堆叠使用不同尺寸的卷积核，CNN可以逐渐抽取出图像的更高级别的特征。

此外，CNN还包括池化层（Pooling Layer），用于降低特征映射的空间维度，减少模型参数数量，并增强模型的平移不变性。常见的池化操作包括最大池化和平均池化。

最后，CNN通常还包括全连接层（Fully Connected Layer），用于将抽取的特征映射转