Python 如何将值与图像一起用作训练Keras图像分类器的输入？

我相信这是我在这里的第一个问题

我对神经网络很陌生。我刚开始在Python上做一个研究，该研究旨在观察有糖尿病风险的患者的血糖水平，并根据他们患糖尿病的风险将他们从1到3进行排名。1为高风险，3为低风险

现在，我有大约110张以前由医生排列的图表（42张风险1，51张风险2，10张风险3）。我随机选取每组的25%作为测试集，将其余部分作为训练，然后交给Keras学习

它很好用。这是我的密码：

打印（“卷积”）
add（卷积2D（32,3,3，输入_形状=（64,64,3），激活='relu'））
打印（“池”）
add（MaxPoolig2D（池大小=（2,2）））
打印（“展平”）
添加（展平（））
打印（“连接”）
添加（密集（激活='relu'，单位=128））
添加（密集（激活='softmax'，单位=3））
印刷（“CNN”）
compile（优化器='adam'，loss='categorical_crossentropy'，metrics=['accurity']）
打印（“生成图像”）
从keras.preprocessing.image导入ImageDataGenerator
列车_datagen=ImageDataGenerator（）
test_datagen=ImageDataGenerator（）
打印（“设置集”）
training\u set=来自\u目录的train\u datagen.flow\u(
“数据集/序列集”，
目标_大小=（64,64），
批次大小=批次，
class_mode='classifical'）
test_set=test_datagen.flow_from_目录(
“数据集/测试集”，
目标_大小=（64,64），
批次大小=批次，
class_mode='classifical'）
打印（“培训nn…”）
从IPython.display导入显示
从PIL导入图像
fit_发生器(
训练组，
每历元步数=每历元步数，
时代，
验证数据=测试集，
验证（步骤=验证步骤）

然而，训练后的准确度不会超过0.4。现在，我知道我有一个相对较小的样本来训练神经网络，但我目前无法获得更多患者的信息。然而，我可以从这些患者那里获得人口统计数据，比如体重、身高和年龄

基本上，我想以某种方式包括每位患者的体重、身高和年龄，以及显示其血糖水平的图表。因此，我的程序知道在做出判断时要考虑这些信息。

我在网上搜索时没有找到任何类似的东西，尽管这可能是因为我对这件事知之甚少。我该怎么办

---

谢谢你的时间。

如果我必须做这样的事情，一旦图像特征和数字特征具有相同的形式——特征向量，我就会将它们连接起来。为此，您可以将网络的卷积部分视为特征提取器，该提取器在最后一个池层之后转变为特征列表，即它的形状类似于[batch_size，1，1，N]。在这一点上，您可以很容易地附加/连接常规数字特征，然后再将它们输入到密集层中

我会留意以下几件事：

• 确保数值和卷积特征来自相同的分布，即BatchNorm应用于这两个分布
• 确保它们的大小大致相同，即，如果您有2048个conv功能，而只有5个数字功能，则可能无法正常工作

---

您可以从中获得更多灵感。

首先，您可以使用小型深度网络，因此您的数据必须超过100个实例。因此，我建议搜索“数据扩充”以了解如何增加数据。第二，虽然你几乎没有训练网络的数据，但我认为测试数据的10%或更少就足够了。最后，为了使用其他特征进行训练，您可以通过卷积网络提取图像的特征，然后将其与其他特征连接起来，训练一个更简单的网络进行最终分类