1主要参考

（0）本教程和以下教程不够详细，还是推荐下面这个大佬的blog看一下

计算机视觉——眼疾图片识别（数据集iChallenge-PM）_「已注销」的博客-CSDN博客

（1）blibli视频

252-06_预测病理性近视_图片数据读取_dec_哔哩哔哩_bilibili

（2）数据集地址

眼疾识别数据集iChallenge-PM - 飞桨AI Studio

2、数据集介绍

iChallenge-PM是百度大脑和中山大学中山眼科中心联合举办的iChallenge比赛中，提供的关于病理性近视（Pathologic Myopia，PM）的医疗类数据集，包含1200个受试者的眼底视网膜图片，训练、验证和测试数据集各400张。 training.zip：包含训练中的图片和标签
validation.zip：包含验证集的图片
valid_gt.zip：包含验证集的标签

iChallenge-PM中既有病理性近视患者的眼底图片，也有非病理性近视患者的图片，命名规则如下：病理性近视（PM）：文件名以P开头
非病理性近视（non-PM）：高度近似（high myopia）：文件名以H开头
正常眼睛（normal）：文件名以N开头

3、基于Lenet的程序实现

（1）程序测试代码

import cv2
import random
import numpy as np
import os
import paddle
import paddle.nn.functional as F
from paddle.nn import Conv2D, MaxPool2D, Linear, Dropout

#对读入的图像数据进行预处理
def transform_img(img):
    #将图片尺寸缩放到 224 * 224
    img = cv2.resize(img, (224,224))
    #读取的图像数据格式是[H, W, C]
    #使用转置操作将其变成[C, H, W]
    img = np.transpose(img,(2,0,1))
    #归一化操作，将数据范围调整到[-1.0, 1.0]之间
    img = img / 255
    img = img * 2.0 -1.0
    return img


#定义训练集数据读取器
def data_loader(datadir, batch_size=10, mode='train'):
    #将datadir目录下的文件列出来，每条文件都读入
    filenames = os.listdir(datadir)
    def reader():
        # print("chen_filenames")
        # print(filenames)
        #只有在训练的时随机打乱数据顺序，测试的时候不打乱
        if mode == 'train':
            random.shuffle(filenames)
        batch_imgs = []
        batch_labels = []
        for name in filenames:
            filepath = os.path.join(datadir,name)
            img = cv2.imread(filepath)
            img = transform_img(img)
            if name[0] == 'H' or name[0] == 'N':
                # H开头的文件名表示高度近似，N开头的文件名表示正常视力
                # 高度近似和正常视力的样板，都不是病理性的，属于负样本，标签为0
                label = 0
            elif name[0] == 'P':
                # P开头的是病理性近似，属于正样本，标签为1
                label = 1
            else:
                raise('Not excepted file name')
            #每读取一个样板的数据，就将其放入数据列表中
            batch_imgs.append(img)
            batch_labels.append(label)
            if len(batch_imgs) == batch_size:
                # 当数据列表的长度等于batch_size的时候
                # 把这些数据当做一个mini-batch,并作为数据生成器的一个输出
                imgs_array = np.array(batch_imgs).astype('float32')
                labels_array = np.array(batch_labels).astype('float32').reshape(-1,1)
                # yield的作用：返回一个可以用来迭代(for循环)的生成器，
                # 它的应用场景通常为一个需要返回一系列值的，含有循环的函数中
                yield imgs_array, labels_array
                batch_imgs = []
                batch_labels = []
        
        #上面都循环结束了，如何还有剩下的，也就是样板数/batch_size数没有整除
        if len(batch_imgs) > 0:
            imgs_array = np.array(batch_imgs).astype('float32')
            labels_array = np.array(batch_labels).astype('float32').reshape(-1,1)
            # yield的作用：返回一个可以用来迭代(for循环)的生成器，
            # 它的应用场景通常为一个需要返回一系列值的，含有循环的函数中
            yield imgs_array, labels_array

    return reader


EPOCH_NUM = 5

#定义训练过程
def train_pm(model, optimizer):
    # 开启0号GPU训练
    use_gpu = True
    paddle.device.set_device('gpu:0') if use_gpu else paddle.device.set_device('cpu')

    print('start training ...')
    model.train()
    # 定义数据读取器，训练数据读取器和验证数据读取器
    train_loader = data_loader(DATADIR, batch_size=10, mode='train')
    for epoch in range(EPOCH_NUM):
        for batch_id, data in enumerate(train_loader()):  #在返回的reader里面调用函数，调用的就是yield中的枚举返回值
            x_data, y_data = data
            img = paddle.to_tensor(x_data)
            label = paddle.to_tensor(y_data)
            # 运行模型进行前向推理计算，得到预测值
            logits = model(img)
            loss = F.binary_cross_entropy_with_logits(logits, label)
            avg_loss = paddle.mean(loss)

            if batch_id % 20 == 0:
                print("epoch: {},batch_id: {}, loss is: {:.4f}".format(epoch, batch_id, float(avg_loss.numpy())))
            #反向传播，更新权重，清除梯度
            avg_loss.backward()
            optimizer.step()
        
        #每一个epoch结束都测试一下
        model.eval()
        accuracies = []
        losses = []
        valid_loader = data_loader(DATADIR, batch_size=10, mode='eval')
        for batch_id, data in enumerate(valid_loader()):
            x_data, y_data = data
            img = paddle.to_tensor(x_data)
            label = paddle.to_tensor(y_data)
            #运行模型前向计算，得到预测值
            logits = model(img)
            # 二分类，sigmoid计算后的结果以0.5为阈值分两个类型
            # 计算sigmoid后的预测概率，进行loss计算
            pred = F.sigmoid(logits)   # P正的概率
            loss = F.binary_cross_entropy_with_logits(logits,label)
            #计算概率小于0.5的类别
            pred2 = pred*(-1.0) + 1.0  # P负的概率，也就是1-P正
            #得到两个类别的预测概率，并沿第一个维度级联
            pred = paddle.concat([pred2, pred],axis=1)
            #原因是paddle.metric.accuracy的输入要是每个类别的概率，所以拼接了一下
            acc = paddle.metric.accuracy(pred, paddle.cast(label,dtype='int64'))


            accuracies.append(acc.numpy())
            losses.append(loss.numpy())
        print("[validation] accuracy /loss: {:.4f}/{:.4f}".format(np.mean(accuracies),np.mean(losses))) #求平均
        model.train()

        paddle.save(model.state_dict(),'palm.pdparams')        
        paddle.save(optimizer.state_dict(),'palm.pdopt')


#定义评国过程
def evaluation(model, params_file_path):
    # 开启0号GPU预估
    use_gpu = True
    paddle.device.set_device('gpu:0') if use_gpu else paddle.device.set_device('cpu')

    print('start evaluation ...')
    #加载模型参数
    model_state_dict = paddle.load(params_file_path)
    model.load_dict(model_state_dict)
    
    model.eval()
    eval_loader = data_loader(DATADIR, batch_size=10, mode='eval')

    acc_set = []
    avg_loss_set = []
    for batch_id, data in enumerate(eval_loader()):
        x_data, y_data =data
        img = paddle.to_tensor(x_data)
        label = paddle.to_tensor(y_data)
        y_data = y_data.astype(np.int64)
        label_64 = paddle.to_tensor(y_data)
        #计算预测和精度
        #模型的forward方法这两个封装了对img, label_64的判断，如果传入了label，则也返回acc
        prediction, acc = model(img, label_64)
        # 计算损失函数值
        loss = F.binary_cross_entropy_with_logits(prediction, label)
        avg_loss = paddle.mean(loss)
        acc_set.append(float(acc.numpy()))
        avg_loss_set.append(float(avg_loss.numpy()))
    
    #求平均精度
    acc_val_mean = np.array(acc_set).mean()
    avg_loss_val_mean = np.array(avg_loss_set).mean()

    print('loss={:.4f}, acc={:.4f}'.format(avg_loss_val_mean,acc_val_mean))



#定义Lenet网络结果
# class Lenet(paddle.nn.Layer):
#     pass 

# 定义 LeNet 网络结构
class LeNet(paddle.nn.Layer):
    def __init__(self, num_classes=1):
        super(LeNet, self).__init__()

        # 创建卷积和池化层块，每个卷积层使用Sigmoid激活函数，后面跟着一个2x2的池化
        self.conv1 = Conv2D(in_channels=3, out_channels=6, kernel_size=5)
        self.max_pool1 = MaxPool2D(kernel_size=2, stride=2)
        self.conv2 = Conv2D(in_channels=6, out_channels=16, kernel_size=5)
        self.max_pool2 = MaxPool2D(kernel_size=2, stride=2)
        # 创建第3个卷积层
        self.conv3 = Conv2D(in_channels=16, out_channels=120, kernel_size=4)
        # 创建全连接层，第一个全连接层的输出神经元个数为64， 第二个全连接层输出神经元个数为分类标签的类别数
        self.fc1 = Linear(in_features=300000, out_features=64)
        self.fc2 = Linear(in_features=64, out_features=num_classes)
    # 网络的前向计算过程
    def forward(self, x, label=None):
        x = self.conv1(x)
        x = F.sigmoid(x)
        x = self.max_pool1(x)
        x = self.conv2(x)
        x = F.sigmoid(x)        
        x = self.max_pool2(x)
        x = self.conv3(x)
        x = F.sigmoid(x)          
        x = paddle.reshape(x, [x.shape[0], -1])
        x = self.fc1(x)
        x = self.fc2(x)
        if label is not None:
            acc = paddle.metric.accuracy(input=x,label=label)
            return x,acc
        else:
            return x


# 数据的路径
DATADIR = '/home/chen/deep_data/eye_ill/training/PALM-Training400'
#创建模型
model = LeNet(num_classes=1)
#启动训练过程
opt = paddle.optimizer.Momentum(learning_rate=0.001,momentum=0.9,
                                parameters=model.parameters())
train_pm(model,optimizer=opt)
evaluation(model,params_file_path='palm.pdparams')

（2）5个epoch的测试结果