import nibabel as nib
import scipy.io as sio
import torch.optim as optim
from torch.utils import Dataset
from torch.utils.data import DataLoader
from sklearn.model_selection import LeaveOneOut
torch.utils.data.DataLoader 为Pytorch 数据读取的重要接口,接口定义在dataloader.py 脚本,用Pytorch训练模型必须调用此接口,该接口用于自定义的数据接口的输出,或者Pytorch已有的数据读取接口的输入 按照batch_size封装成Tensor,后续只需要在包装成variable 即作为模型输入,此接口为数据的承上、启下。
class TensorDataset(Dataset):
def __init__(self,data_tensor,target_tensor):
self.data_tensor=data_tensor
self.target_tensor=target_tensor
def __getitem__(self,index):
return self.data_tensor[index],self.target_tensor[index]
def __len__(self):
return self.data_tensor.size(0)
TensorDataset 继承Dataset,重载__init__,getitem,len;共用类,数据集写入后共同继承,写入形式 data_tensor,target_tensor,得出data的索引,data的长度。
def read_data():
data=nib.load(path)
return data
data_dir='your_data_path'
data_list = os.listdir(data_dir)
data=np.ones((30,121,145,121))#输入sMRI为nii,维度121*145*121,共30例数据,构建data的容器
for i in range(0,len(data_list)):
path = os.path.join(data_dir,data_list[i])
if os.path.isfile(path):
temp=read_data(path).get_data()
temp=torch.form_numpy(temp)
temp=temp.type(torch.FloatTensor)#array转为tensor
temp=temp.premute(2,1,0)#对数据形式转换
data[i,:,:,:]=temp#temp 赋值给data后三维
label=np.ones([30,1])
label([0:19])=0
label=torch.LongTensor(label)
完成数据集构造
定义CNN卷积层
class Net(nn.Module):
def __init__(self):
super(Net,self).__init__()
"""in_channels=? nn.Linear(?,) 输入格式:样本数量*通道数*宽*高*帧数&