皮肤肿瘤数据集，该数据集由2357张恶性和良性肿瘤疾病的图像组成，这些图像来自国际皮肤成像合作组织(ISIC)。所有的图像都按照ISIC的分类进行排序，除黑色素瘤和痣的图像略占优势外，所有子集的图像都被分成相同数量的图像

该数据适合做分类数据，适用于医学专业AI研究，皮肤病分类研究，皮肤病识别，数据一共2300多张 部分图片也可以作为目标检测数据集（需自己标注） 【9类别分别为】：光化角质病、基底细胞癌、皮肤纤维瘤、黑素瘤、痣、色素良性病、脂溢性角化病、鳞状细胞癌、血管损害。 数据多样性，数据分布均匀，常用分类算法可以拟合很好。 resnet34网络精确度可以达到98.3% 欢迎下载使用

结论：通过比较，逻辑斯蒂模型比随机梯度下降模型在测试集上表现有更高的准确性，因为逻辑斯蒂采用解析的方式精确计算模型参数，而随机梯度下降采用估计值 　　特点分析：逻辑斯蒂对参数的计算采用精确解析的方法，计算时间长但是模型性能高，随机梯度下降采用随机梯度上升算法估计模型参数，计算时间短但产出的模型性能略低，一般而言，对于训练数据规模在10万量级以上的数据，考虑到时间的耗用，推荐使用随机梯度算法

由于最近目标是完成基于深度学习的脑肿瘤语义分割实验，所以需要用到自定义的数据载入，本文参考了一下博客：https://blog.csdn.net/tuiqdymy/article/details/84779716?utm_source=app，一开始是做的眼底图像分割，由于使用的是DRIVE数据集，所以数据量很少，之前也是按照上面这篇博客标注了关于图片id的txt文件，但是这次是应用在kaggle脑肿瘤数据集上，kaggle脑肿瘤数据集百度云下载连接：链接：https://pan.baidu.com/s/12RTIv-RqEZwYCm27Im2Djw  提取码：tave  数据量挺大，再完全按

breastcancer数据集 机器学习初学者最常用的数据集，