1. 為什么肺炎檢測是畢業(yè)設計的性價比之王又到一年畢業(yè)設計選題季我?guī)缀趺磕甓紩粏柕酵粋€問題深度學習方向的畢設選什么題既能順利畢業(yè)、又不至于太水說實話這個問題很難用一句話回答。選題太簡單答辯的時候專家一眼看穿問兩個細節(jié)就露餡選題太難做不完、跑不動、調不通最后把自己逼到崩潰邊緣。而基于深度神經(jīng)網(wǎng)絡的肺炎檢測系統(tǒng)恰好卡在了一個非常微妙的位置——它既有足夠的技術深度支撐論文的篇幅和含金量又不像自動駕駛、自然語言處理大模型那樣動輒需要幾天幾周的算力資源對大多數(shù)只有單張顯卡的學生來說相當友好。先說這個選題為什么值。肺炎檢測本質上是一個醫(yī)學圖像分類任務輸入是胸部X光片Chest X-ray輸出是該影像屬于正常還是患有肺炎。這個任務有著明確的醫(yī)療場景背書屬于人工智能醫(yī)療這個熱門交叉方向無論是做綜述還是做應用都能找到大量可參考的文獻。更重要的是公開可用的胸部X光片數(shù)據(jù)集非常成熟國外幾個研究機構整理的標注數(shù)據(jù)規(guī)模從幾千張到幾萬張不等足夠支撐你完成數(shù)據(jù)預處理、模型訓練、評估對比這一整套流程。比起很多需要自己爬數(shù)據(jù)、自己標注的冷門方向這項研究能把更多時間花在模型本身和系統(tǒng)實現(xiàn)上而不是消耗在無休止的數(shù)據(jù)清理中。但我要潑一盆冷水正因為這個領域已經(jīng)非常熱門如果只是簡單地把現(xiàn)成的卷積神經(jīng)網(wǎng)絡往數(shù)據(jù)集上一扔、輸出一個準確率那是拿不出手的。答辯老師隨便問一句你的模型為什么選用ResNet而不是DenseNet類別不平衡你是怎么處理的你的系統(tǒng)在實際臨床場景中有什么限制如果你答不上來論文寫得再漂亮也白搭。所以我這篇文章真正想講的東西不只是一個可以選題的結論而是把這個課題從數(shù)據(jù)到模型、從訓練到部署的每個關鍵節(jié)點都拆開揉碎讓你清楚地知道哪些地方容易踩坑、哪些細節(jié)能拉開差距。帶過很多學生的經(jīng)驗告訴我凡是最后拿到優(yōu)秀成績的基本都不是用了多驚艷的網(wǎng)絡結構而是把一件常規(guī)的事情做到了知其所以然。文章后面所有內容我都會以從一個普通學生的實際條件出發(fā)作為前提來寫——假設你只有一塊普通消費級顯卡、熟悉Python基礎、用過PyTorch但不算精通。這個前提很重要因為很多網(wǎng)上教程默認你有三卡集群或者有醫(yī)療標注團隊那是另一套玩法不適合大多數(shù)人。2. 系統(tǒng)總覽與技術底座搭建2.1 整體架構輸入到輸出的完整鏈路動手寫代碼之前一定要先在腦子里把整個系統(tǒng)的數(shù)據(jù)流畫清楚。一個標準的肺炎檢測系統(tǒng)從用戶角度來看是上傳一張胸片 - 系統(tǒng)返回肺炎概率和可視化熱力圖但內部實際上是五個模塊的串聯(lián)數(shù)據(jù)加載模塊、預處理模塊、模型推理模塊、后處理模塊、結果展示模塊。任何一篇合格的論文至少要能把這條鏈路里的每一步講明白而不是只給一個model.py。很多學生犯的錯誤是上來就寫模型把數(shù)據(jù)加載和預處理交給datasets.py草草了事。實際上數(shù)據(jù)模塊才是區(qū)分一個系統(tǒng)是玩具還是可演示成果的分水嶺。我建議你按下面這個順序來搭項目結構pneumonia_detection/ ├── data/ │ ├── raw/ # 原始圖像數(shù)據(jù) │ ├── processed/ # 預處理后的圖像 │ └── split/ # 劃分好的訓練/驗證/測試集 ├── src/ │ ├── dataset.py # 數(shù)據(jù)加載與增強 │ ├── model.py # 網(wǎng)絡結構定義 │ ├── train.py # 訓練腳本 │ ├── evaluate.py # 評估腳本 │ ├── inference.py # 推理腳本 │ └── config.py # 全局配置參數(shù) ├── weights/ # 保存的模型權重 ├── app/ │ └── web_ui.py # 簡單Web界面基于Gradio或Flask └── requirements.txt這個結構看起來很基礎但它有幾個隱藏的好處一是答辯時老師問你的項目代碼在哪里、怎么組織的時候你能清晰地說出每個文件的職責二是后期迭代的時候改數(shù)據(jù)增強只動dataset.py改網(wǎng)絡只動model.py不會出現(xiàn)改一個地方引發(fā)連鎖崩潰的慘劇。我見過太多人的項目只有一個train.ipynb所有代碼堆在一起最后連自己都分不清哪個版本是能跑通的。2.2 深度學習框架與硬件工具的選型邏輯框架選型幾乎是所有新手第一個糾結的問題。我的建議是除非你的導師指定了TensorFlow否則主線用PyTorch。原因有三個第一PyTorch的調試體驗比靜態(tài)圖時代好得多print大法在模型中間想怎么用就怎么用對理解模型運行流程很有幫助第二目前醫(yī)學影像方向的主流開源代碼和預訓練權重基本都以PyTorch形式發(fā)布你不用浪費時間做模型轉換第三PyTorch在學術界的占有率決定了你遇到問題時搜到有效解決方案的概率更高。硬件方面訓練肺炎分類模型的要求其實不算苛刻。以一張12GB顯存的顯卡為例用ResNet50在256x256分辨率的圖像上訓練batch size設到64沒什么壓力一個epoch大約一到兩分鐘訓練50個epoch大概一兩個小時就結束了。如果你用的是只有6GB顯存的卡把batch size降到32甚至16圖像縮放到224x224也完全能完成整個流程。實在沒有GPU的話使用云端的免費CPU訓練環(huán)境跑ResNet18也是能出結果的只是時間會拉長幾倍。我不建議一開始就在分布式訓練、混合精度這些花活上浪費時間先把單卡流程跑通再說。需要注意的是CUDA和PyTorch版本匹配問題。很多學生在環(huán)境配置上能折騰兩天其實本質上是版本對不上。標準做法是先確認顯卡驅動支持的CUDA版本然后安裝對應版本的PyTorch。比如說驅動支持CUDA 11.8那你就裝pip install torch2.0.1cu118這類明確標注cu118的版本不要貪新裝了個cu121的包結果運行時報CUDA driver version is insufficient白白浪費半天。這種事聽起來離譜但每年都有大量的人栽在上面。2.3 一套合理的技術棧配置除了框架本身python環(huán)境管理和依賴管理最好也走規(guī)范路線。用虛擬環(huán)境隔離項目依賴是一個好習慣隨手在base環(huán)境里pip install的后果是過一段時間你壓根不知道自己的環(huán)境發(fā)生了什么變化。拿這個肺炎檢測項目來說需要的核心依賴其實不多torch / torchvision框架本體和預訓練模型接口opencv-python圖像讀取與幾何變換Pillow圖像基礎處理numpy數(shù)組運算scikit-learn評估指標計算準確率、召回率、混淆矩陣等matplotlib / seaborn繪圖與可視化gradio快速搭建演示界面這個后面細說項目完成之后記得把pip freeze的結果存成requirements.txt這既是工程規(guī)范也是論文附錄里運行環(huán)境一節(jié)的重要素材。很多學生畢設做完之后環(huán)境還在當初那臺機器上換一臺電腦就怎么都跑不起來這就是沒有提前固化環(huán)境的教訓。3. 數(shù)據(jù)工程決定論文上限的隱藏變量3.1 主流公開數(shù)據(jù)集的取舍與下載策略肺炎檢測方向最常被提到的數(shù)據(jù)集有三個一個是某研究團隊公開發(fā)布的胸部X光片肺炎數(shù)據(jù)集包含正常和肺炎兩個大類肺炎類別下又細分細菌性和病毒性另一個是某醫(yī)療機構發(fā)布的包含多標簽如肺部陰影、胸腔積液等的胸部X光片數(shù)據(jù)集還有一個是規(guī)模更大的、包含大量歷史胸片的大規(guī)模肺部影像數(shù)據(jù)集。站在畢業(yè)設計的角度我強烈推薦從第一個入手理由是它已經(jīng)按train/val/test劃分好了省去自己切分的麻煩而且類別相對簡單便于聚焦肺炎檢測這一核心任務。下載數(shù)據(jù)集需要做幾個檢查。第一確認解壓后的目錄結構是不是符合預期很多人發(fā)現(xiàn)下載完只有train文件夾根本沒有單獨的test這種時候就得自己動手劃分。第二檢查圖像的實際尺寸分布。數(shù)據(jù)集里宣稱的224x224和你實際讀到的圖大小往往不一致圖像的長寬比也是五花八門這直接影響后續(xù)預處理策略。第三數(shù)一數(shù)每個類別的樣本數(shù)量。這一步看似基礎但很多人會偷懶跳過直到訓練完看混淆矩陣才發(fā)現(xiàn)數(shù)據(jù)嚴重失衡再回頭補就晚了。3.2 預處理流程從原始圖像到模型輸入的轉變拿到原始圖像之后不能直接扔給模型。預處理流程一般包含這么幾件事讀取圖像、統(tǒng)一尺寸、歸一化、格式轉換。我拆開說。讀取圖像時要注意胸部X光片本質上是灰度圖但很多文件被保存成了三通道的RGB格式。你可以選擇轉成單通道灰度圖也可以保留三通道但每個通道值相同。考慮到大部分預訓練模型如ImageNet上訓練過的ResNet期望輸入是三通道我建議直接按RGB三通道讀取兼容性更好。統(tǒng)一尺寸這一步有講究。直接resize當然簡單但會改變圖像的長寬比例導致肺部區(qū)域被拉伸變形。更穩(wěn)妥的做法是先等比縮放到短邊等于目標尺寸比如短邊256然后中心裁剪出256x256的區(qū)域。這樣既保留了盡可能多的有效信息又避免了極端形變。等你試用不同骨干網(wǎng)絡的時候這套邏輯基本不用改。歸一化處理上PyTorch官方預訓練模型提供的標準化參數(shù)均值[0.485, 0.456, 0.406]、標準差[0.229, 0.224, 0.225]是針對自然圖像統(tǒng)計出來的直接用在胸片上并不嚴格正確。但我仍然建議初學時沿用這套參數(shù)原因是當你的訓練數(shù)據(jù)規(guī)模不大時保留與預訓練權重一致的輸入分布能讓遷移學習的效果更穩(wěn)定。等你做完了基礎版本再嘗試用胸片數(shù)據(jù)集的整體均值和方差替換看看指標變化這反而能成為論文里一個不錯的對比實驗點——不同歸一化策略對模型性能的影響說出去也有實驗價值。3.3 數(shù)據(jù)增強策略多一分則溢少一分則欠數(shù)據(jù)增強是肺炎檢測任務里一個極其關鍵但又特別容易被誤解的環(huán)節(jié)。很多人一聽到增強立刻想到翻轉、旋轉、裁剪拉滿看到訓練集準確率上去了就開心。但醫(yī)學影像有其特殊性胸片是有標準解剖方位的——左右肺葉位置固定如果你做水平翻轉左肺就跑到右邊去了醫(yī)生看到這種片子是可以判斷出這圖被翻轉過的。那么在深度學習模型看來翻轉后能不能學到翻轉的肺的特征這個是有爭議的。我的結論是可以用但要有限度。水平翻轉是醫(yī)學影像分類里常用的增強手段之一但旋轉角度要控制在小范圍內比如正負10度縮放比例也別太激進以免把肺野邊緣裁掉或者讓結構比例失真。最終我建議的增強組合是隨機水平翻轉、小角度旋轉、隨機亮度對比度調整、輕微縮放平移以及一點點的Cutout隨機遮擋一小塊區(qū)域但遮擋塊的大小不要超過圖像面積的5%。這些增強組合起來相當于給模型提供了在不同拍攝條件下的胸片樣本能有效提升泛化能力。另外特別提醒驗證集和測試集絕對不要做任何增強只做resize和歸一化。這一點是數(shù)據(jù)科學的基本倫理問題如果測試集也用增強增加樣本得出的指標就無法真實反映模型性能了。3.4 類別不均衡問題的第一道防線前面提到的樣本數(shù)檢查往往會暴露一個現(xiàn)實正常樣本和肺炎樣本的數(shù)量可能差了兩三倍。這種情況下如果不做任何處理模型會傾向于把邊界樣本預測成多數(shù)類因為你只要猜正常就能獲得很高的訓練準確率。處理思路一般是這么幾條一是改用加權采樣器WeightedRandomSampler讓每個batch里不同類別的樣本比例趨于均衡二是直接在損失函數(shù)里給少數(shù)類別更高的權重三是用數(shù)據(jù)增強專門給少數(shù)類造樣本。這三種方法不沖突可以組合使用但建議先單獨評估每種的貢獻別一上來就疊加一堆技巧出了問題都不知道是哪個引起的。4. 模型構建核心環(huán)節(jié)從骨干網(wǎng)絡到訓練流程4.1 為什么我堅持從預訓練遷移開始肺炎檢測方向完全可以不從頭訓練網(wǎng)絡直接拿ImageNet上預訓練好的模型做遷移學習。做一個對照組實驗從零訓練一個ResNet50和用預訓練權重微調的ResNet50在數(shù)據(jù)規(guī)模只有幾千張的情況下后者的收斂速度和最終準確率往往顯著優(yōu)于前者。原因很好理解ImageNet預訓練讓模型已經(jīng)掌握了大量通用的視覺特征——邊緣、紋理、形狀層級結構——這些特征對胸片分析同樣有用。肺部的紋理異常、陰影形態(tài)本質上也是從這些基礎特征組合出來的。遷移學習具體怎么做標準流程是加載去掉分類層的預訓練模型把最后一層替換成全連接層輸出維度等于你的類別數(shù)比如2類就是2個節(jié)點然后先凍結前面的所有層只訓練新加的全連接層跑幾個epoch看看效果之后再把所有層解凍用很小的學習率比初始學習率低一個數(shù)量級對整個網(wǎng)絡進行微調。這一步在PyTorch里很簡單但很多人不明白為什么要先凍結再解凍。它的意義在于新加的分類層是隨機初始化的如果直接全網(wǎng)絡一起訓練前向傳播的梯度在分類層階段就亂掉了很可能把前面預訓練好的特征也帶偏。先單獨訓練分類層是讓分類層先適應特征提取器給出的輸出解凍之后再讓整個網(wǎng)絡協(xié)同調整這樣過程穩(wěn)定得多。4.2 骨干網(wǎng)絡選擇的黃金法則該選哪個骨干網(wǎng)絡這里存在一個看臉的誤區(qū)——以為最新的網(wǎng)絡一定最好。在畢設場景下骨干網(wǎng)絡的選擇要綜合考慮精度、顯存占用、推理速度、代碼成熟度四個維度。以ResNet50為例它在ImageNet上取得了不錯的性能而且結構簡潔、代碼實現(xiàn)成熟幾乎所有的預訓練模型庫都內置了它。DenseNet121的優(yōu)勢在于參數(shù)少、特征復用充分在醫(yī)學影像上經(jīng)常有不錯的性能表現(xiàn)同時也因為DenseNet的特性天然具備一定的正則化效果。而EfficientNet系列的理論更先進通過復合縮放達到精度和效率的平衡但實現(xiàn)起來稍顯復雜對batch size和圖像分辨率也比較敏感。另外ViTVision Transformer這類純注意力模型在足夠大的數(shù)據(jù)規(guī)模下確實能超越CNN但在幾千張胸片的數(shù)據(jù)量下很容易欠擬合我一般不建議在本科畢設里主推。我見過一個比較穩(wěn)妥的做法用ResNet50做主力DenseNet121做對比。論文的對比實驗部分用這兩者加一個VGG16或者ResNet18作為baseline已經(jīng)能完整呈現(xiàn)骨干網(wǎng)絡選擇對肺炎分類性能的影響這個故事了。重點不在于你的網(wǎng)絡有多新而在于你合理地評估了不同結構的差異。如果有余力把SE模塊或者ECA注意力加在ResNet50的殘差塊后面做一個小幅度改進這種簡單有效的改動答辯時很容易解釋清楚。4.3 分類頭與輸出層設計的小門道很多人做二分類輸出層就是兩個節(jié)點然后接Softmax或者LogSoftmax。這在數(shù)學上沒錯但訓練穩(wěn)定性上我更推薦輸出層只輸出一個節(jié)點配合Sigmoid做二分類訓練損失用BCEWithLogitsLoss。原因是BCEWithLogitsLoss內部會把Sigmoid計算合并數(shù)值上更穩(wěn)定梯度推導也干凈。除了輸出層還得考慮要不要在最后一層之前加一個Dropout。醫(yī)學影像數(shù)據(jù)往往帶有大量冗余信息模型很容易在這個階段過擬合。Dropout加在全局池化層之后、全連接層之前以0.2~0.3的概率丟棄一些特征通道是很常見且有效的正則化手段。另外把全連接層的隱藏維度保持在512或256通常就夠了不必太大因為預訓練模型提取到的特征已經(jīng)是高層次的語義特征了再接一個巨大的分類器純屬浪費參數(shù)。4.4 訓練參數(shù)的全套配置心得訓練配置這部分我貼一份自己常用的配置直接抄是可以用的但你要能講清楚每一項的含義# config.py EPOCHS 40 BATCH_SIZE 32 LEARNING_RATE 1e-4 # 解凍后的微調學習率 WEIGHT_DECAY 1e-4 # L2正則化 MOMENTUM 0.9 WARMUP_EPOCHS 2 # 前2個epoch線性熱身 OUTPUT_DIR weights/學習率方面初始階段用1e-4是一個實用值。很多人一上來就用0.001結果訓練幾個epoch發(fā)現(xiàn)loss不降反升或者震蕩得特別厲害。CIFAR這種小數(shù)據(jù)集上0.01這樣的學習率都可能沒問題但醫(yī)學影像上我更保守。等你看清楚loss曲線的下降趨勢后再嘗試用CosineAnnealing學習率調度策略讓學習率周期性地降低效果往往更好。Batch size的選擇取決于你的顯存。小batch size比如16通常收斂會更穩(wěn)定但梯度噪聲偏大大batch size比如64或128能加速訓練但需要注意顯存溢出。如果你只有一張6GB顯存卡batch size設32圖像尺寸224對ResNet50來說是可行的。我見過一些人死磕batch size一定要64結果顯存爆了又去裁圖像尺寸病急亂投醫(yī)。合理的做法是先確定圖像分辨率和模型再根據(jù)顯存上限反推batch size同時保證訓練穩(wěn)定。5. 訓練實戰(zhàn)與調參避坑指南5.1 過擬合醫(yī)學影像的第一大敵人訓練過程中形態(tài)最典型的曲線是這樣的訓練準確率一路飆升趨近99%驗證準確率停留在85%上下不再動彈甚至從第15個epoch開始逐步下滑。這就是過擬合的教科書級表現(xiàn)。胸片數(shù)據(jù)集通常只有幾千張而ResNet50的參數(shù)有數(shù)千萬容量嚴重大于樣本量過擬合幾乎是必然會出現(xiàn)的問題只是早晚和程度不同。面對過擬合我的排查順序是先檢查數(shù)據(jù)預處理是否泄露了驗證集信息再增加正則化強度Dropout概率上調、Weight Decay增大然后做數(shù)據(jù)增強最后才考慮縮小模型規(guī)模。注意順序是有講究的數(shù)據(jù)泄露是第一要檢查的因為一個bug會導致全部努力白費——比如有些人做標準化的時候用了整個數(shù)據(jù)集包括驗證集計算均值和方差雖然這個泄露很輕微但屬于學術上要盡量避免的做法。增強和正則化手段要分開做對比實驗不要同時改了三個變量然后對著訓練曲線猜是哪個起了作用。一個變量一個變量地改每次只動一處記錄指標變化這種習慣能讓你的實驗記錄更有說服力。5.2 類別不平衡loss一直在降但召回率慘不忍睹還有一類常見情況是整體準確率到了92%看起來不錯但是看每一類的召回率正常類的召回率高達98%肺炎類只有75%。這個數(shù)字對論文來說很難看對實際應用更是致命的——篩查系統(tǒng)漏掉一個肺炎患者的代價遠高于把正常人多轉診一次。原因就是類別不平衡。除了上一節(jié)提到的數(shù)據(jù)層面的手段模型層面也可以調整為Focal Loss。Focal Loss的公式本質上是給交叉熵加了一個調制因子(1-p_t)^gamma讓模型把注意力放在那些置信度不高的難樣本上。具體實現(xiàn)很容易我在代碼里調整gamma從0.5、1.0、2.0依次嘗試觀察驗證集上肺炎類的召回率變化。不過要提醒的是Focal Loss有一個毛病——中了容易觸發(fā)過度關注噪聲樣本的問題所以用之前要有心理準備它并不總是優(yōu)于加權交叉熵。5.3 訓練崩潰三連NaN、顯存爆炸、Loss不降訓練過程中最常見的三件事是NaN、顯存溢出、Loss不降。我可太熟悉這三兄弟了。NaN問題大概率出在學習率過大導致梯度爆炸或者數(shù)據(jù)里有NaN像素值沒被清洗少見的醫(yī)學影像格式有時會帶異常像素。解決方式是先降低學習率看看如果降了還NaN檢查數(shù)據(jù)的歸一化流程和是否存在空值/異常大值把梯度裁剪加上torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)能讓訓練更穩(wěn)定。顯存爆炸是工程問題。除了減小batch size還可以做幾件事確認沒在顯卡上堆積了太多未釋放的中間變量檢查DataLoader是不是每個epoch都加載了整個數(shù)據(jù)集到顯存用torch.backends.cudnn.benchmarkTrue這行設置能略微提升卷積速度。如果實在不夠PyTorch 2.x的torch.compile在某些情況下的顯存效率也更好可以先跑通再考慮。Loss不降的情況很多時候根本不是模型或數(shù)據(jù)問題而是Loss計算寫錯了。比如用Softmax輸出配了nn.CrossEntropyLoss內部自帶Softmax等于做了兩次SoftmaxLoss自然不降。這種錯誤很低級但真的很常見我建議每次寫Loss都用一個小批量手動驗證一下數(shù)值趨勢而不是等都跑完了才發(fā)現(xiàn)。5.4 實驗記錄別指望你的記憶靠譜每個學生的電腦里最后都會躺著十幾個excel或者一堆以model_final_v3_really_final命名的權重文件。我不夸張地說沒有實驗記錄的訓練等于白訓練。從第一天開始就用一個簡單的表格記錄每一次實驗的配置和指標學習率、batch size、增強策略、骨干網(wǎng)絡、訓練輪數(shù)、準確率、召回率、F1、AUC、以及對應的權重文件名。到最后寫論文做對比表格的時候你會發(fā)現(xiàn)這些記錄比什么都寶貴。6. 系統(tǒng)評估、論文素材與最終部署6.1 醫(yī)療影像評估為什么要三件套齊上對于肺炎檢測這個任務單看準確率完全說明不了問題。一個分類器即使準確率95%如果它漏檢了10個重癥肺炎樣本在臨床上這個系統(tǒng)照樣不能用。所以評估階段要同時看三個指標準確率Accuracy、召回率Recall、F1-Score如果可能的話再加上AUC-ROC。答辯的時候你把這幾個指標放在同一張表里老師一眼看到你的工作不糊弄。具體計算用scikit-learn一行就能搞定但怎么解讀更要緊。召回率在這個場景下比準確率重要得多——模型的目標是盡量不能漏掉疑似肺炎患者。所以你在論文里應該主動說清楚本系統(tǒng)優(yōu)先保證召回率在閾值設置上傾向于寧可多報、不可漏報然后說明你的系統(tǒng)允許用戶調整置信度閾值來改變這一平衡。能把這種工程權衡思維寫出來比堆一堆PSNR、FLOPs之類的數(shù)字更能體現(xiàn)你的理解深度。6.2 可視化論文圖表和答辯演示的雙重利器論文里不能只有一張loss曲線圖那太單薄了。我需要給出三個可視化方向一是訓練過程曲線包括loss曲線和準確率曲線二是混淆矩陣讓讀者直觀看到哪些樣本被錯分三是Grad-CAM熱力圖這是醫(yī)學影像方向最常見的可視化手段它可以把模型關注的區(qū)域以熱力圖形式疊加在原圖上讓你看到模型在看哪里。Grad-CAM的原理很簡單通過梯度回傳來計算最后一層卷積特征圖每個通道對分類結果的貢獻權重把這些權重和特征圖加權求和得到一個二維響應圖再上采樣到原圖尺寸疊加顯示。實現(xiàn)上用pytorch_grad_cam這個庫就夠了。選一個確診肺炎的樣本生成熱力圖你會看到模型通常會把高權重區(qū)域集中在肺部紋理異常的局部區(qū)域——這既是論文里很有說服力的圖也是答辯現(xiàn)場最吸引眼球的展示。6.3 用Gradio快速搭建可感知的演示系統(tǒng)畢設答辯最尷尬的瞬間之一是老師說你的系統(tǒng)跑一下看看你只能在終端里print幾個數(shù)字。所以無論你的重點是算法還是工程我都建議花半天時間用Gradio搭一個網(wǎng)頁界面讓用戶上傳一張胸片就能看到分類結果和概率值甚至能順便展示Grad-CAM熱力圖。這個過程很簡單import gradio as gr def predict(img): tensor preprocess(img) with torch.no_grad(): prob model(tensor).sigmoid().item() return f患肺炎概率: {prob:.3f} gr.Interface( fnpredict, inputsgr.Image(typepil), outputstext ).launch()Gradio能在本地自動起一個web服務拖動圖片就能測試界面也不需要你寫一行前端代碼。這個界面的意義不只是演示——當你反復測試多張胸片后你對模型能做什么、不能做什么會產(chǎn)生比任何評估指標都更直觀的感受。有些之前分錯的樣本你一眼就能發(fā)現(xiàn)規(guī)律這又會反過來指導你對數(shù)據(jù)的理解。在結果展示模塊里我強烈建議除了數(shù)字概率還要輸出一個建議字段比如高風險建議盡快就診和低風險建議定期隨訪。這樣一個簡單的包裝就能讓整個系統(tǒng)的醫(yī)療輔助決策語義更完整答辯時的帶入感也會強很多。6.4 部署時的坑與答辯前的自檢清單部署階段的坑相對集中。模型推理用到的圖像預處理必須和訓練時完全一致很多人訓練時用了隨機增強結果推理時忘了關閉然后對著抖動結果百思不得其解。另外加載模型權重時務必確認model.load_state_dict之后設置了model.eval()否則BN層和Dropout層仍然工作在訓練模式輸出結果會不穩(wěn)定。最后如果答辯設備上沒有GPU請確保模型能回到CPU模式運行并且提前用CPU跑一次推理確認速度可以接受。答辯之前把下面的清單過一遍數(shù)據(jù)集的劃分比例是多少建議8:1:1訓練里最強的一個配置和效果最好的配置分別是什么模型參數(shù)總量是多少單張圖片的推理延遲大致多少系統(tǒng)的局限性是什么——比如它無法區(qū)分細菌性還是病毒性肺炎、無法定位病變的精確物理范圍、在真實多中心數(shù)據(jù)上的表現(xiàn)未知。能主動把一個系統(tǒng)的邊界條件講清楚反而更容易讓答辯老師給出對該任務理解深刻的評價。我在這個題目上帶過好幾輪學生最深的一點體會是深度學習畢設真正考察的不是你會不會講術語而是你能否在一個既定主題下踏踏實實地把數(shù)據(jù)、模型、評估、部署這條鏈路完整走通并對每個環(huán)節(jié)的選擇給出合理的理由。肺炎檢測這個題目的成熟度和難度恰好給了你這樣一個機會——既不會因為過于簡單而毫無可寫也不會因為過于前沿而讓你寸步難行。如果你決定選它那就從今天開始把數(shù)據(jù)集下載下來把環(huán)境搭好先跑通一個最簡單的ResNet18剩下的路自然就會越來越清晰。