【之前硕士课程作业的归档】代码跑通流程

训练

配置环境

安装virtualenv

创建虚拟环境

 virtualenv -p python3.6 ecg_env 

激活虚拟环境

修改脚本

修改setup.sh 换清华园镜像，便于在虚拟环境中快速安装库

运行下载包库的脚本

保证训练集和验证集运行模型时的环境一致，这里使用tensorFlow.18。

下载数据集

论文实现的是数据集二，但是我无法找到数据集二。所以复现了他的第一个example。

从挑战赛官网https://www.physionet.org/content/challenge-2017/1.0.0/，下载模型需要的数据集

![image-20\Roaming\Typora\typora-user-images\image-20211103211848265.png)

执行训练代码前的准备工作

1.执行生成json的python代码，在cinc17文件夹下生成json

其中trian.join文件为该研究的训练集，des.join为验证集

2.然后在ecg文件夹下新建saved文件夹

3.根据报错修改相应代码（修改包的引用，和代码二进制的写入）

执行训练代码

解决所有因版本产生的问题，改变100epoch为25epoch（100轮太久，而且预计在25轮左右之后，对准确率的提升并不大），运行代码。

这里提前中断了，但并不是EarlyStoping自行停止，因为代码中给的patience是8，也就是8轮没有优化，才会停止。

#train.py
stopping = keras.callbacks.EarlyStopping(patience=8)

但是也能看出，接下来的训练，对正确率的影响已经很微小了，最后一轮的准确率有92%。

查看训练模型文件

模型验证

执行验证代码前的准备工作

1.\examples\cinc17\entry\prepare-entry.sh 修改脚本中的路径信息

2.\examples\cinc17\setup.sh 修改安装版本和安装来源

3.\examples\cinc17\entry\next.sh 修改 环境激活的语句和路径，保证可以持续验证

安装验证环境

运行setup.sh脚本

执行验证脚本

指定测试集中 表现最好的模型，生成文件夹，拷贝文件并开始执行文件，依次验证写入answer.txt。

sh prepare-entry.sh C:/Users/abc/saved/cinc17/1636036307-521/0.419-0.855-021-0.221-0.926.hdf5

集合级别的结果比较

准确率是0.92