用pytorch写一个甲状腺图像二分类代码

这里给出一个简单的甲状腺图像二分类代码，使用PyTorch实现，具体实现细节可能需要根据具体数据集的特点进行调整。假设数据集包含两个文件夹，分别为train和test，其中每个文件夹下分别包含正样本和负样本，命名为“positive”和“negative”。

首先，需要导入必要的库：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import transforms, datasets

然后，定义数据预处理和数据加载器：

transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

train_set = datasets.ImageFolder('train', transform=transform)
test_set = datasets.ImageFolder('test', transform=transform)

train_loader = DataLoader(train_set, batch_size=16, shuffle=True)
test_loader = DataLoader(test_set, batch_size=16, shuffle=True)

接下来，定义模型结构，这里使用ResNet18预训练模型：

model = torch.hub.load('pytorch/vision:v0.9.0', 'resnet18', pretrained=True)
model.fc = nn.Linear(512, 2)

然后，定义损失函数和优化器：

criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

接下来，训练模型：

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 10 == 9:
            print('[%d, %5d] loss: %.3f' % (epoch+1, i+1, running_loss/10))
            running_loss = 0.0

最后，测试模型：

correct = 0
total = 0
with torch.no_grad():
    for data in test_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the test images: %d %%' % (100 * correct / total))

这样就完成了一个简单的甲状腺图像二分类代码。需要注意的是，这只是一个示例，实际应用中需要根据具体情况进行调整和优化。