新冠肺炎患者图像分类

数据描述

来自卡塔尔多哈卡塔尔大学和孟加拉国达卡大学的一组研究人员，以及来自巴基斯坦和马来西亚的合作者与医生合作，建立了一个针对COVID-19阳性病例的胸部X射线图像数据库，以及正常和病毒性肺炎图像。

数据来源

https://www.heywhale.com/mw/dataset/6027caee891f960015c863d7

数据说明

COVID-19阳性病例的胸部X射线图像以及正常和病毒性肺炎图像的数据库，数据库包含有1200个COVID-19阳性图像，1341正常图像和1345病毒性肺炎图像。

1.这些包为常用的数据处理、图像处理、深度学习框架等提供了一些常用的函数和工具。

import os
import math
import zipfile
import random
import json
import cv2
import numpy as np
from PIL import Image
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph import Linear,Conv2D,Pool2D
import matplotlib.pyplot as plt
paddle.enable_static()

2.

这段代码用来创建一个执行器并初始化默认的启动程序。

具体解释如下：

1. `fluid.CPUPlace()` 用于创建一个在CPU上执行的位置。
2. `fluid.Executor(place)` 用于创建一个执行器，并指定计算资源的位置为上一步创建的`place`。
3. `exe.run(fluid.default_startup_program())` 用于执行默认的启动程序，完成模型参数的初始化等操作。以上代码片段的作用是创建一个在CPU上执行的执行器，然后运行默认的启动程序来初始化模型。

。

#创建执行器
place=fluid.CPUPlace()
exe=fluid.Executor(place)
exe.run(fluid.default_startup_program())

3.

这段代码用于加载之前保存的参数模型（如果存在）。如果不存在保存的模型，则不加载。

具体解释如下：

1. `save_path` 是指定模型参数保存的文件夹路径。
2. `if os.path.exists(save_path):` 判断给定路径是否存在。
3. 如果模型文件夹存在，则输出一条消息，并使用 `fluid.io.load_params()` 函数加载模型参数。
   - `executor=exe` 指定执行器为上一步创建的执行器。
   - `dirname=save_path` 指定模型参数保存的文件夹路径。

以上代码片段会根据指定的模型参数文件夹路径，判断是否存在模型。如果模型文件夹存在，则加载参数模型；如果不存在模型，则不加载。

#加载之前的params_model模型，没有模型就不加载
save_path='save_model'
if os.path.exists(save_path):
	print("使用参数模型作为预训练模型")
	fluid.io.load_params(executor=exe,dirname=save_path)

4.

这段代码用于从保存的模型中获取预测程序、输入数据的变量列表和输出结果的变量。

具体解释如下：

1. `save_path` 是指定模型保存的文件夹路径。
2. `fluid.io.load_inference_model(dirname=save_path, executor=exe)` 函数会加载保存的模型，并返回预测程序、输入数据的变量名列表和输出结果的变量名。
   - `dirname=save_path` 指定模型保存的文件夹路径。
   - `executor=exe` 指定执行器为上一步创建的执行器。

以上代码片段的作用是从指定的模型文件夹中加载模型，并获取预测程序、输入数据的变量名列表和输出结果的变量名。

save_path='save_model'
#从模型中得到预测程序，输入数据名称列表和分类器
[infer_program,feeded_var_names,target_var]=fluid.io.load_inference_model(dirname=save_path,executor=exe)

5.

这段代码用于设置一些参数，包括输入图片的形状、分类数、数据路径、解压路径、模型保存路径、学习率、批次大小和学习次数。

具体解释如下：

1. `"input_size": [3, 1024, 1024]` 指定输入图片的形状，这里的 `[3, 1024, 1024]` 表示通道数为3，宽度为1024，高度为1024。
2. `"class_dim": 3` 指定分类数，这里是3个类别。
3. `'src_path': 'data/data82373/input_data.rar'` 指定数据压缩文件的路径。
4. `'train_path': 'input_data'` 指定解压路径，即输入数据的文件夹路径。
5. `'model_save_dir': 'save_model'` 指定模型保存的文件夹路径。
6. `'learning_rate': 0.001` 指定学习率为0.001。
7. `'batch_size': 32` 指定批次大小为32。
8. `'epoch': 10` 指定学习次数为10个epoch。

以上代码片段的作用是配置一些参数，用于模型的训练和预测。

#一些参数的设置
configs = {
    "input_size": [3, 1024,1024],                           #输入图片的shape
    "class_dim":3,                                     #分类数
    'src_path':'data/data82373/input_data.rar',     #数据的路径
    'train_path':'input_data',                #解压路径
    'model_save_dir':'save_mod