-
Notifications
You must be signed in to change notification settings - Fork 1
/
parameter.py
152 lines (120 loc) · 7.6 KB
/
parameter.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
# parameter.py
# 0.文件描述了项目运行过程，以及这个工程需要自定义的参数和路径设置
# 步骤：
# 1.预处理（运行./data_prepare/preprocess.py） 将原始数据集处理成用于训练网络模型的2d或3d训练集
# 2.训练（运行 ./train.py） 用训练集训练网络模型，保存到./models
# 3.测试（运行 ./test.py） 用网络预测测试集的标签，保存到./data/pred_seg，并评估预测分割结果，通过评价指标判断分割精度
# -----------------------路径相关参数---------------------------------------------------
# 原始LITS2017 dataset的trainset路径，用于preprocess
# 服务器
lits_train_ct_path = "../../dataset/lits2017/train/ct/" # 原始训练集的CT图像，volumn-*.nii
lits_train_seg_path = "../../dataset/lits2017/train/seg/" # 原始训练集的分割标注，segmentation-*.nii
# pc端
# lits_train_ct_path = "D:/projects/LITS/train/TrainingDataset/train/ct/" # 原始训练集的CT图像，volumn-*.nii
# lits_train_seg_path = "D:/projects/LITS/train/TrainingDataset/train/seg/" # 原始训练集的分割标注，segmentation-*.nii
# 用于网络模型训练的trainset路径，用于train
# 服务器131
# train_ct_path = "/home/planck/Desktop/yzw/LITS2017-main1/data/trainImage_k1_1217/" # 预处理后的训练集的CT图像，volumn-*.nii
# train_seg_path = "/home/planck/Desktop/yzw/LITS2017-main1/data/trainMask_k1_1217/" # 预处理后的训练集的分割标注，segmentation-*.nii
# 服务器109
train_ct_path = "/home/planck/Desktop/yzw/LITS2017-yzw/data/train_ct_onlyliver/" # 预处理后的训练集的CT图像，volumn-*.nii
train_seg_path = "/home/planck/Desktop/yzw/LITS2017-yzw/data/train_seg_onlyliver/" # 预处理后的训练集的分割标注，segmentation-*.nii
# pc端
# train_ct_path = "E:/train_ct" # 预处理后的训练集的CT图像，volumn-*.nii
# train_seg_path = "E:/train_seg" # 预处理后的训练集的分割标注，segmentation-*.nii
# 用于保存预处理结果可查看的png格式
show_npy = '../../show_npy/'
show_nii = '../../show_nii/'
# 网络模型预测分割结果的test set路径，用于test
# 服务器22
# test_ct_path = "/home/planck/Desktop/yzw/dataset/lits2017/test/ct/" # 测试集的CT图像，volumn-*.nii
# test_seg_path = "/home/planck/Desktop/yzw/dataset/lits2017/test/seg/" # 测试集的分割标注，segmentation-*.nii
# pc端22
test_ct_path = "E:/BaiduNetdiskWorkspace/MICCAI-LITS2017-master/test/CT/" # 测试集的CT图像，test-volumn-*.nii
test_seg_path = "E:/BaiduNetdiskWorkspace/MICCAI-LITS2017-master/test/seg/" # 测试集的分割标注，segmentation-*.nii
# pc端70
# test_ct_path = "D:/projects/LITS/test/ct/"
# test_seg_path = "D:/projects/LITS/test/seg/"
pred_seg_path = "./data/pred_seg/" # 预测的分割标注，segmentation-*.nii
# 保存评价指标的路径，用于val
result_path = "./data/val_result/" # 保存评价指标（分割的精度的结果）
# 保存网络模型的路径, 格式为 ./models/[model name]/[date time]/[net].pth
model_path = "./models" # 模型总目录
model_name = "UNet2d" # 模型子目录，以网络模型命名
model = "./models/UNet2d/2021-11-10_23-07-37/net72-0.000-0.001.pth" # 获取一个网络模型文件，用于测试集的分割预测
# -----------------------训练数据预处理相关参数---------------------------------------------------
upper, lower = 200, -200 # CT数据灰度截断窗口
# 2d图像分割参数： 默认(512*512,选取中间448*448的部分)
crop_start = 32 # 裁剪切片的像素起点
crop_end = 480 # 裁剪切片的像素终点
img_size = 448
# 3d图像分割参数：
size = 48 # 使用48张连续切片作为网络的输入
down_scale = 0.5 # 横断面降采样因子
expand_slice = 20 # 仅使用包含肝脏以及肝脏上下20张切片作为训练样本
slice_thickness = 1 # 将所有数据在z轴的spacing归一化到1mm
# -----------------------网络结构相关参数------------------------------------
drop_rate = 0.3 # dropout随机丢弃概率
# -----------------------网络训练相关参数--------------------------------------
gpu = '0,1' # 使用的显卡序号
# 设置 torch.backends.cudnn.benchmark=True为整个网络的每个卷积层搜索最适合它的卷积实现算法
"""
【cudnn.benchmark】将会让程序在开始时花费一点额外时间，为整个网络的每个卷积层搜索最适合它的卷积实现算法，进而实现网络的加速。
适用场景是网络结构固定（不是动态变化的），网络的输入形状（包括 batch size，图片大小，输入的通道）是不变的，其实也就是一般情况下都比较适用。
反之，如果卷积层的设置一直变化，将会导致程序不停地做优化，反而会耗费更多的时间。
"""
cudnn_benchmark = True
# 定义epoch数量,这里发现150以后，dice值就不再更新了
"""
当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一个 epoch
随着 epoch 数量增加，神经网络中的权重的更新次数也增加，曲线从欠拟合变得过拟合。
"""
Epoch = 150
# 定义batch size大小
"""
Batch Size定义：一次训练所选取的样本数.
Batch Size的大小影响模型的优化程度和速度
Batch Size从小到大的变化对网络影响
1、没有Batch Size，梯度准确，只适用于小样本数据库
2、Batch Size=1，梯度变来变去，非常不准确，网络很难收敛。
3、Batch Size增大，梯度变准确，
4、Batch Size增大，梯度已经非常准确，再增加Batch Size也没有用
注意：Batch Size增大了，要到达相同的准确度，必须要增大epoch。
"""
batch_size = 20
# 设置加载数据的线程数目
"""
num_workers是加载数据（batch）的线程数目
当加载batch的时间 < 数据训练的时间
GPU每次训练完都可以直接从CPU中取到next batch的数据
无需额外的等待，因此也不需要多余的worker，即使增加worker也不会影响训练速度
当加载batch的时间 > 数据训练的时间
GPU每次训练完都需要等待CPU完成数据的载入
若增加worker，即使worker_1还未就绪，GPU也可以取worker_2的数据来训练
仅限单线程训练情况
"""
num_workers = 4
# 设置锁页内存
"""
pin_memory就是锁页内存
创建DataLoader时，
设置pin_memory=True，则意味着生成的Tensor数据最开始是属于内存中的锁页内存，
这样将内存的Tensor转义到GPU的显存就会更快一些。
"""
pin_memory = True
# 学习率
"""
【学习率】即步长，它控制着算法优化的速度。
使用的学习率过大，虽然在算法优化前期会加速学习，使得损失能够较快的下降，但在优化后期会出现波动现象以至于不能收敛。
如果使用的学习率偏小，那么极有可能训练时loss下降得很慢，算法也很难寻优。
"""
learning_rate = 3e-4
# 学习率衰减
"""
多间隔调整学习率 MultiStepLR:
学习率调整的间隔并不是相等的，
参数：milestone(list): 一个列表参数，表示多个学习率需要调整的epoch值，如milestones=[10, 30, 80].epoch=10时调整一次，epoch=30时调整一次，epoch=80时调整一次
"""
learning_rate_decay = [100, 150]
# -----------------------模型测试相关参数--------------------------------------
maximum_hole = 5e4 # 最大的空洞面积