基于WIN10的64位系统演示
一、写在前面
上期我们基于TensorFlow环境介绍了多分类建模的误判病例分析。
本期以健康组、肺结核组、COVID-19组、细菌性（病毒性）肺炎组为数据集，基于Pytorch环境，构建SqueezeNet多分类模型，分析误判病例，因为它建模速度快。
同样，基于GPT-4辅助编程。
二、误判病例分析实战
使用胸片的数据集：肺结核病人和健康人的胸片的识别。其中，健康人900张，肺结核病人700张，COVID-19病人549张、细菌性（病毒性）肺炎组900张，分别存入单独的文件夹中。
直接分享代码：
######################################导入包###################################
import copy
import torch
import torchvision
import torchvision.transforms as transforms
from torchvision import models
from torch.utils.data import DataLoader
from torch import optim, nn
from torch.optim import lr_scheduler
import os
import matplotlib.pyplot as plt
import warnings
import numpy as np
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 设置GPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
################################导入数据集#####################################
from torchvision import datasets, transforms
from torch.nn.functional import softmax
from PIL import Image
import pandas as pd
import torch.nn as nn
import timm
from torch.optim import lr_scheduler
# 自定义的数据集类
class ImageFolderWithPaths(datasets.ImageFolder):
def __getitem__(self, index):
original_tuple = super(ImageFolderWithPaths, self).__getitem__(index)
path = self.imgs[index][0]
tuple_with_path = (original_tuple + (path,))
return tuple_with_path
# 数据集路径
data_dir = "./MTB-1"
# 图像的大小
img_height = 256
img_width = 256
# 数据预处理
data_transforms = {
'train': transforms.Compose([
transforms.RandomResizedCrop(img_height),
transforms.RandomHorizontalFlip(),
transforms.RandomVerticalFlip(),
transforms.RandomRotation(0.2),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
'val': transforms.Compose([
transforms.Resize((img_height, img_width)),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
]),
}
# 加载数据集
full_dataset = ImageFolderWithPaths(data_dir, transform=data_transforms['train'])
# 获取数据集的大小
full_size = len(full_dataset)
train_size = int(0.8 * full_size) # 假设训练集占70%
val_size = full_size - train_size # 验证集的大小
# 随机分割数据集
torch.manual_seed(0) # 设置随机种子以确保结果可重复
train_dataset, val_dataset = torch.utils.data.random_split(full_dataset, [train_size, val_size])
# 应用数据增强到训练集和验证集
train_dataset.dataset.transform = data_transforms['train']
val_dataset.dataset.transform = data_transforms['val']
# 创建数据加载器
batch_size = 8
train_dataloader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=0)
val_dataloader = torch.utils.data.DataLoader(val_dataset, batch_size=batch_size, shuffle=True, num_workers=0)
dataloaders = {'train': train_dataloader, 'val': val_dataloader}
dataset_sizes = {'train': len(train_dataset), 'val': len(val_dataset)}
class_names = full_dataset.classes
# 获取数据集的类别
class_names = full_dataset.classes
# 保存预测结果的列表
results = []
###############################定义SqueezeNet模型################################
# 定义SqueezeNet模型
model = models.squeezenet1_1(pretrained=True) # 这里以SqueezeNet 1.1版本为例
num_ftrs = model.classifier[1].in_channels
# 根据分类任务修改最后一层
# 这里我们改变模型的输出层为4，因为我们做的是四分类
model.classifier[1] = nn.Conv2d(num_ftrs, 4, kernel_size=(1,1))
# 修改模型最后的输出层为我们需要的类别数
model.num_classes = 4
model = model.to(device)
# 打印模型摘要
print(model)
#############################编译模型#########################################
# 定义损失函数
criterion = nn.CrossEntropyLoss()
# 定义优化器
optimizer = torch.optim.Adam(model.parameters())
# 定义学习率调度器
exp_lr_scheduler = lr_scheduler.StepLR(optimizer, step_size=7, gamma=0.1)
# 开始训练模型
num_epochs = 20
# 初始化记录器
train_loss_history = []
train_acc_history = []
val_loss_history = []
val_acc_history = []
for epoch in range(num_epochs):
print('Epoch {}/{}'.format(epoch, num_epochs - 1))
print('-' * 10)
# 每个epoch都有一个训练和验证阶段
for phase in ['train', 'val']:
if phase == 'train':
model.train() # 设置模型为训练模式
else:
model.eval() # 设置模型为评估模式
running_loss = 0.0
running_corrects = 0
# 遍历数据
for inputs, labels, paths in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# 零参数梯度
optimizer.zero_grad()
# 前向
with torch.set_grad_enabled(phase == 'train'):
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
loss = criterion(outputs, labels)
# 只在训练模式下进行反向和优化
if phase == 'train':
loss.backward()
optimizer.step()
# 统计
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(preds == labels.data)
epoch_loss = running_loss / dataset_sizes[phase]
epoch_acc = (running_corrects.double() / dataset_sizes[phase]).item()
# 记录每个epoch的loss和accuracy
if phase == 'train':
train_loss_history.append(epoch_loss)
train_acc_history.append(epoch_acc)
else:
val_loss_history.append(epoch_loss)
val_acc_history.append(epoch_acc)
print('{} Loss: {:.4f} Acc: {:.4f}'.format(phase, epoch_loss, epoch_acc))
print()
# 保存模型
torch.save(model.state_dict(), 'SqueezeNet_model-m-s.pth')
# 加载最佳模型权重
#model.load_state_dict(best_model_wts)
#torch.save(model, 'shufflenet_best_model.pth')
#print("The trained model has been saved.")
###########################误判病例分析#################################
import os
import pandas as pd
from collections import defaultdict
# 判定组别的字典
group_dict = {
("COVID-19", "Normal"): "B",
("COVID-19", "Pneumonia"): "C",
("COVID-19", "Tuberculosis"): "D",
("Normal", "COVID-19"): "E",
("Normal", "Pneumonia"): "F",
("Normal", "Tuberculosis"): "G",
("Pneumonia", "COVID-19"): "H",
("Pneumonia", "Normal"): "I",
("Pneumonia", "Tuberculosis"): "J",
("Tuberculosis", "COVID-19"): "K",
("Tuberculosis", "Normal"): "L",
("Tuberculosis", "Pneumonia"): "M",
}
# 创建一个字典来保存所有的图片信息
image_predictions = {}
# 循环遍历所有数据集（训练集和验证集）
for phase in ['train', 'val']:
# 设置模型的状态
model.eval()
# 遍历数据
for inputs, labels, paths in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# 计算模型的输出
with torch.no_grad():
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
# 循环遍历每一个批次的结果
for path, pred in zip(paths, preds):
# 提取图片的类别
actual_class = os.path.split(os.path.dirname(path))[-1]
# 提取图片的名称
image_name = os.path.basename(path)
# 获取预测的类别
predicted_class = class_names[pred]
# 判断预测的分组类型
if actual_class == predicted_class:
group_type = 'A'
elif (actual_class, predicted_class) in group_dict:
group_type = group_dict[(actual_class, predicted_class)]
else:
group_type = 'Other' # 如果没有匹配的条件，可以归类为其他
# 保存到字典中
image_predictions[image_name] = [phase, actual_class, predicted_class, group_type]
# 将字典转换为DataFrame
df = pd.DataFrame.from_dict(image_predictions, orient='index', columns=['Dataset Type', 'Actual Class', 'Predicted Class', 'Group Type'])
# 保存到CSV文件中
df.to_csv('result-m-s.csv')四、改写过程
先说策略：首先，先把二分类的误判病例分析代码改成四分类的；其次，用咒语让GPT-4帮我们续写代码已达到误判病例分析。
提供咒语如下：
①改写{代码1}，改变成4分类的建模。代码1为：{XXX};
②在{代码1}的基础上改写代码，达到下面要求：
（1）首先，提取出所有图片的“原始图片的名称”、“属于训练集还是验证集”、“预测为分组类型”；文件的路劲格式为：例如，“MTB-1\Normal\XXX.png”属于Normal，“MTB-1\COVID-19\XXX.jpg”属于COVID-19，“MTB-1\Pneumonia\XXX.jpeg”属于Pneumonia，“MTB-1\Tuberculosis\XXX.png”属于Tuberculosis；
（2）其次，根据样本预测结果，把样本分为以下若干组：（a）预测正确的图片，全部判定为A组；（b）本来就是COVID-19的图片，预测为Normal，判定为B组；（c）本来就是COVID-19的图片，预测为Pneumonia，判定为C组；（d）本来就是COVID-19的图片，预测为Tuberculosis，判定为D组；（e）本来就是Normal的图片，预测为COVID-19，判定为E组；（f）本来就是Normal的图片，预测为Pneumonia，判定为F组；（g）本来就是Normal的图片，预测为Tuberculosis，判定为G组；（h）本来就是Pneumonia的图片，预测为COVID-19，判定为H组；（i）本来就是Pneumonia的图片，预测为Normal，判定为I组；（j）本来就是Pneumonia的图片，预测为Tuberculosis，判定为J组；（k）本来就是Tuberculosis的图片，预测为COVID-19，判定为H组；（l）本来就是Tuberculosis的图片，预测为Normal，判定为I组；（m）本来就是Tuberculosis的图片，预测为Pneumonia，判定为J组；
（3）居于以上计算的结果，生成一个名为result-m.csv表格文件。列名分别为：“原始图片的名称”、“属于训练集还是验证集”、“预测为分组类型”、“判定的组别”。其中，“原始图片的名称”为所有图片的图片名称；“属于训练集还是验证集”为这个图片属于训练集还是验证集；“预测为分组类型”为模型预测该样本是哪一个分组；“判定的组别”为根据步骤（2）判定的组别，从A到J一共十组选择一个。
（4）需要把所有的图片都进行上面操作，注意是所有图片，而不只是一个批次的图片。
代码1为：{XXX}
③还需要根据报错做一些调整即可，自行调整。
最后，看看结果：
模型只运行了2次，所以效果很差哈，全部是预测成了COVID-19。
四、数据
链接：https://pan.baidu.com/s/1rqu15KAUxjNBaWYfEmPwgQ?pwd=xfyn
提取码：xfyn
五、结语文章来源：https://www.toymoban.com/news/detail-689016.html
深度学习图像分类的教程到此结束，洋洋洒洒29篇，涉及到的算法和技巧也够发一篇SCI了。当然，图像识别还有图像分割和目标识别两块内容，就放到最后再说了。下一趴，我们来介绍时间序列建模！！！文章来源地址https://www.toymoban.com/news/detail-689016.html
到了这里，关于第64步 深度学习图像识别：多分类建模误判病例分析（Pytorch）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
