(7)文件顺利执行，得出结果：

评估后得出结果:

loss=0.6918540149927139.acc=0.46750000305473804

可以看出效果并不是很理想，需要进一步调整学习率优化准确度

结论

在老师布置了创新创业大作业以后，我便开始选择题目，在浏览了十多题后，我最终选择了眼疾识别问题作为此次创新创业课程设计的大作业。如今近视已经成为困扰人们健康的一项全球性负担，在近视人群中，有超过35%的人患有重度近视。因此，及早发现近视患者眼睛的病变并采取治疗，显得非常重要。定题后，我便开始后面的设计。

我们是这学期学的Python语言和百度Paddle人工智能平台，一下子接触很多新的概念，多多少少有点不适应，平时忙着复习预习物理数学等科目，就仅仅周末有一些时间练习Python语言和百度Paddle人工智能平台，于是把paddle平台和python的训练给丢下了，在最后一个月，才开始抓紧学习两个平台的搭配使用。

从Paddle平台获得程序后，我首先下载平台提供的数据集，并对已完成的代码更改程序中打开的本地文件地址。

在检查好滴之后，第一次运行，出现了左右两只眼球的图，把我高兴坏了，但高兴没过一会儿，出现了一个文件报错，内容是：invalid literal for int() with base 10: '' 从CSDN上检索了相关问题的解决办法，首先尝试的是将数据先转为float类型，再用int函数强行变为整型，但是发现改正后运行还是继续报错，报错内容为：ValueError: could not convert string to float: '' 这个时候，心里是有点害怕的，到底是接着int(float())改还是退回int（）改，再冷静思考后，我决定还是退回int（）改，以防代码出现大面积更换，不利于后期程序运行和理解。

在CSDN上继续检索后，又发现一个解决的方案，就是用pass函数跳过，

将代码处理后，再次运行，完美得到结果，并且没有出现任何大面积的程序改动。

顿时，好像一下子从暗无天日的盲目中找到了方向，心中一下子开阔起来。

这个过程出现了曲折大致可以认为是编程软件的更新，以及本地环境的不匹配导致的，网上很多的代码的都是基于个人本地环境实现的，相关的代码我不能直接套用，针对这个问题，我首先是阅读他的程序，判断哪些是我能自主修改最终能在我本地运行的。

检阅python相关的语法，接着学习paddle的使用方法，在进行改码时，还是出现了很多错误，在一遍遍的修改查资料后，还是不能一下子就很快地将程序调出来，这个时候我们想到了学长，在学长的指导下，我们很快地找到了问题的症结———相关文件尺寸的问题。

接下来的过程就很轻松，一遍遍的运行代码，一遍遍的优化代码，最终获得了实验得出最优的眼疾识别代码。

最后一点最重要的体会就是：要学会查找资料，要学会请教他人，学会坚持和钻研。不要怕！不要悔！

五、参考文献

1、代码高亮处理http://www.codeinword.com

 2、paddle人工智能平台飞桨PaddlePaddle-源于产业实践的开源深度学习平台

 3、第一次处理方法https://blog.csdn.net/weixin_44034883/article/details/112918440

 4、第二次处理办法

https://blog.csdn.net/zcs_xueli/article/details/107458068?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242

六、以下是完整代码：

1. import os  
2. import numpy as np  
3. import matplotlib.pyplot as plt  
4. from PIL import Image  
5.  
6. DATADIR = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Training400/PALM-Training400'  
7. # 文件名以N开头的是正常眼底图片，以P开头的是病变眼底图片  
8. file1 = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Training400/PALM-Training400/N0012.jpg'  
9. file2 = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Training400/PALM-Training400/P0095.jpg'  
10.  
11. # 读取图片  
12. img1 = Image.open(os.path.join(DATADIR, file1))  
13. img1 = np.array(img1)  
14. img2 = Image.open(os.path.join(DATADIR, file2))  
15. img2 = np.array(img2)  
16.  
17. # 画出读取的图片  
18. plt.figure(figsize=(16, 8))  
19. f = plt.subplot(121)  
20. f.set_title('Normal', fontsize=20)  
21. plt.imshow(img1)  
22. f = plt.subplot(122)  
23. f.set_title('PM', fontsize=20)  
24. plt.imshow(img2)  
25. plt.show()  
26.  
27. import cv2  
28. import random  
29. import numpy as np  
30. import os  
31.  
32. # 对读入的图像数据进行预处理  
33. def transform_img(img):  
34.    # 将图片尺寸缩放道 224x224  
35.    img = cv2.resize(img, (224, 224))  
36.    # 读入的图像数据格式是[H, W, C]  
37.    # 使用转置操作将其变成[C, H, W]  
38.    img = np.transpose(img, (2,0,1))  
39.    img = img.astype('float32')  
40.    # 将数据范围调整到[-1.0, 1.0]之间  
41.    img = img / 255.  
42.    img = img * 2.0 - 1.0  
43.    return img  
44.  
45. # 定义训练集数据读取器  
46. def data_loader(datadir, batch_size=10, mode = 'train'):  
47.    # 将datadir目录下的文件列出来，每条文件都要读入  
48.    filenames = os.listdir(datadir)  
49.    def reader():  
50.        if mode == 'train':  
51.            # 训练时随机打乱数据顺序  
52.            random.shuffle(filenames)  
53.        batch_imgs = []  
54.        batch_labels = []  
55.        for name in filenames:  
56.            filepath = os.path.join(datadir, name)  
57.            img = cv2.imread(filepath)  
58.            img = transform_img(img)  
59.            if name[0] == 'H' or name[0] == 'N':  
60.                # 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  
61.                # 高度近视和正常视力的样本，都不是病理性的，属于负样本，标签为0  
62.                label = 0  
63.            elif name[0] == 'P':  
64.                # P开头的是病理性近视，属于正样本，标签为1  
65.                label = 1  
66.            else:  
67.                raise('Not excepted file name')  
68.            # 每读取一个样本的数据，就将其放入数据列表中  
69.            batch_imgs.append(img)  
70.            batch_labels.append(label)  
71.            if len(batch_imgs) == batch_size:  
72.                # 当数据列表的长度等于batch_size的时候，  
73.                # 把这些数据当作一个mini-batch，并作为数据生成器的一个输出  
74.                imgs_array = np.array(batch_imgs).astype('float32')  
75.                labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
76.                yield imgs_array, labels_array  
77.                batch_imgs = []  
78.                batch_labels = []  
79.  
80.        if len(batch_imgs) > 0:  
81.            # 剩余样本数目不足一个batch_size的数据，一起打包成一个mini-batch  
82.            imgs_array = np.array(batch_imgs).astype('float32')  
83.            labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
84.            yield imgs_array, labels_array  
85.  
86.    return reader  
87.  
88. # 定义验证集数据读取器  
89. def valid_data_loader(datadir, csvfile, batch_size=10, mode='valid'):  
90.    # 训练集读取时通过文件名来确定样本标签，验证集则通过csvfile来读取每个图片对应的标签  
91.    # 请查看解压后的验证集标签数据，观察csvfile文件里面所包含的内容  
92.    # csvfile文件所包含的内容格式如下，每一行代表一个样本，  
93.    # 其中第一列是图片id，第二列是文件名，第三列是图片标签，  
94.    # 第四列和第五列是Fovea的坐标，与分类任务无关  
95.    # ID,imgName,Label,Fovea_X,Fovea_Y  
96.    # 1,V0001.jpg,0,1157.74,1019.87  
97.    # 2,V0002.jpg,1,1285.82,1080.47  
98.    # 打开包含验证集标签的csvfile，并读入其中的内容  
99.    filelists = open(csvfile).readlines()  
100.    def reader():  
101.        batch_imgs = []  
102.        batch_labels = []  
103.        for line in filelists[1:]:  
104.            line = line.strip().split(',')  
105.            name = line[1]  
106.            try:  
107.                label = int(line[2])  
108.            except ValueError as e:  
109.                pass  
110.            else:  
111.                # 根据图片文件名加载图片，并对图像数据作预处理  
112.                filepath = os.path.join(datadir, name)  
113.                img = cv2.imread(filepath)  
114.                img = transform_img(img)  
115.                # 每读取一个样本的数据，就将其放入数据列表中  
116.                batch_imgs.append(img)  
117.                batch_labels.append(label)  
118.                if len(batch_imgs) == batch_size:  
119.                    # 当数据列表的长度等于batch_size的时候，  
120.                    # 把这些数据当作一个mini-batch，并作为数据生成器的一个输出  
121.                    imgs_array = np.array(batch_imgs).astype('float32')  
122.                    labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
123.                    yield imgs_array, labels_array  
124.                    batch_imgs = []  
125.                    batch_labels = []  
126.  
127.        if len(batch_imgs) > 0:  
128.            # 剩余样本数目不足一个batch_size的数据，一起打包成一个mini-batch  
129.            imgs_array = np.array(batch_imgs).astype('float32')  
130.            labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)  
131.            yield imgs_array, labels_array  
132.  
133.    return reader  
134.  
135. # 查看数据形状  
136. DATADIR = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Training400/PALM-Training400'  
137. train_loader = data_loader(DATADIR,  
138.                           batch_size=10, mode='train')  
139. data_reader = train_loader()  
140. data = next(data_reader)  
141. data[0].shape, data[1].shape  
142.  
143. eval_loader = data_loader(DATADIR,  
144.                           batch_size=10, mode='eval')  
145. data_reader = eval_loader()  
146. data = next(data_reader)  
147. data[0].shape, data[1].shape  
148.  
149. # LeNet 识别眼疾图片  
150. import os  
151. import random  
152. import paddle  
153. import numpy as np  
154.  
155. DATADIR = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Training400/PALM-Training400'  
156. DATADIR2 = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Validation400'  
157. CSVFILE = '/Users/suncheng/PycharmProjects/测试/MNIST数据集/眼疾识别/PALM-Validation-GT/labels.csv'  
158.  
159. # 定义训练过程  
160. def train_pm(model, optimizer):  
161.    # 开启0号GPU训练  
162.    use_gpu = False  
163.    paddle.set_device('gpu:0') if use_gpu else paddle.set_device('cpu')  
164.  
165.    print('start training ... ')  
166.    model.train()  
167.    epoch_num = 5  
168.    # 定义数据读取器，训练数据读取器和验证数据读取器  
169.    train_loader = data_loader(DATADIR, batch_size=10, mode='train')  
170.    valid_loader = valid_data_loader(DATADIR2, CSVFILE)  
171.    for epoch in range(epoch_num):  
172.        for batch_id, data in enumerate(train_loader()):  
173.            x_data, y_data = data  
174.            img = paddle.to_tensor(x_data)  
175.            label = paddle.to_tensor(y_data)  
176.            # 运行模型前向计算，得到预测值  
177.            logits = model(img)  
178.            loss = F.binary_cross_entropy_with_logits(logits, label)  
179.            avg_loss = paddle.mean(loss)  
180.  
181.            if batch_id % 10 == 0:  
182.                print("epoch: {}, batch_id: {}, loss is: {}".format(epoch, batch_id, avg_loss.numpy()))  
183.            # 反向传播，更新权重，清除梯度  
184.            avg_loss.backward()  
185.            optimizer.step()  
186.            optimizer.clear_grad()  
187.  
188.        model.eval()  
189.        accuracies = []  
190.        losses = []  
191.        for batch_id, data in enumerate(valid_loader()):  
192.            x_data, y_data = data  
193.            img = paddle.to_tensor(x_data)  
194.            label = paddle.to_tensor(y_data)  
195.            # 运行模型前向计算，得到预测值  
196.            logits = model(img)  
197.            # 二分类，sigmoid计算后的结果以0.5为阈值分两个类别  
198.            # 计算sigmoid后的预测概率，进行loss计算  
199.            pred = F.sigmoid(logits)  
200.            loss = F.binary_cross_entropy_with_logits(logits, label)  
201.            # 计算预测概率小于0.5的类别  
202.            pred2 = pred * (-1.0) + 1.0  
203.            # 得到两个类别的预测概率，并沿第一个维度级联  
204.            pred = paddle.concat([pred2, pred], axis=1)  
205.            acc = paddle.metric.accuracy(pred, paddle.cast(label, dtype='int64'))  
206.  
207.            accuracies.append(acc.numpy())  
208.            losses.append(loss.numpy())  
209.        print("[validation] accuracy/loss: {}/{}".format(np.mean(accuracies), np.mean(losses)))  
210.        model.train()  
211.  
212.        paddle.save(model.state_dict(), '眼疾识别.pdparams')  
213.        paddle.save(optimizer.state_dict(), '眼疾识别.pdopt')  
214.  
215.  
216. # 定义评估过程  
217. def evaluation(model, params_file_path):  
218.  
219.    # 开启0号GPU预估  
220.    use_gpu = False  
221.    paddle.set_device('gpu:0') if use_gpu else paddle.set_device('cpu')  
222.  
223.    print('start evaluation .......')  
224.  
225.    #加载模型参数  
226.    model_state_dict = paddle.load(params_file_path)  
227.    model.load_dict(model_state_dict)  
228.  
229.    model.eval()  
230.    eval_loader = data_loader(DATADIR,  
231.                        batch_size=10, mode='eval')  
232.  
233.    acc_set = []  
234.    avg_loss_set = []  
235.    for batch_id, data in enumerate(eval_loader()):  
236.        x_data, y_data = data  
237.        img = paddle.to_tensor(x_data)  
238.        label = paddle.to_tensor(y_data)  
239.        y_data = y_data.astype(np.int64)  
240.        label_64 = paddle.to_tensor(y_data)  
241.        # 计算预测和精度  
242.        prediction, acc = model(img, label_64)  
243.        # 计算损失函数值  
244.        loss = F.binary_cross_entropy_with_logits(prediction, label)  
245.        avg_loss = paddle.mean(loss)  
246.        acc_set.append(float(acc.numpy()))  
247.        avg_loss_set.append(float(avg_loss.numpy()))  
248.    # 求平均精度  
249.    acc_val_mean = np.array(acc_set).mean()  
250.    avg_loss_val_mean = np.array(avg_loss_set).mean()  
251.  
252.    print('loss={}, acc={}'.format(avg_loss_val_mean, acc_val_mean))  
253. # -*- coding:utf-8 -*-  
254.  
255. # 导入需要的包  
256. import paddle  
257. import numpy as np  
258. from paddle.nn import Conv2D, MaxPool2D, Linear, Dropout  
259. import paddle.nn.functional as F  
260.  
261. # 定义 LeNet 网络结构  
262. class LeNet(paddle.nn.Layer):  
263.    def __init__(self, num_classes=1):  
264.        super(LeNet, self).__init__()  
265.  
266.        # 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  
267.        self.conv1 = Conv2D(in_channels=3, out_channels=6, kernel_size=5)  
268.        self.max_pool1 = MaxPool2D(kernel_size=2, stride=2)  
269.        self.conv2 = Conv2D(in_channels=6, out_channels=16, kernel_size=5)  
270.        self.max_pool2 = MaxPool2D(kernel_size=2, stride=2)  
271.        # 创建第3个卷积层  
272.        self.conv3 = Conv2D(in_channels=16, out_channels=120, kernel_size=4)  
273.        # 创建全连接层，第一个全连接层的输出神经元个数为64  
274.        self.fc1 = Linear(in_features=300000, out_features=64)  
275.        # 第二个全连接层输出神经元个数为分类标签的类别数  
276.        self.fc2 = Linear(in_features=64, out_features=num_classes)  
277.  
278.    # 网络的前向计算过程  
279.    def forward(self, x, label=None):  
280.        x = self.conv1(x)  
281.        x = F.sigmoid(x)  
282.        x = self.max_pool1(x)  
283.        x = self.conv2(x)  
284.        x = F.sigmoid(x)  
285.        x = self.max_pool2(x)  
286.        x = self.conv3(x)  
287.        x = F.sigmoid(x)  
288.        x = paddle.reshape(x, [x.shape[0], -1])  
289.        x = self.fc1(x)  
290.        x = F.sigmoid(x)  
291.        x = self.fc2(x)  
292.        if label is not None:  
293.            acc = paddle.metric.accuracy(input=x, label=label)  
294.            return x, acc  
295.        else:  
296.            return x  
297. # 创建模型  
298. model = LeNet(num_classes=1)  
299. # 启动训练过程  
300. opt = paddle.optimizer.Momentum(learning_rate=0.001, momentum=0.9, parameters=model.parameters())  
301. train_pm(model, opt)  
302. evaluation(model, params_file_path="眼疾识别.pdparams")  

夹带点私货：海大牛！都给我来海大，也希望我能追的到我喜欢的女生