利用机器学习构建肺炎诊断模型与绘制热力图

近年来，强大的模型不断涌现，用于区分各种物体，其性能和延迟表现日益提升。但大家是否想过，这些模型究竟从训练图像中提取了哪些特征，从而做出近乎完美的预测呢？不久前，斯坦福大学的研究人员发表了一篇关于利用深度学习推动肺炎诊断前沿的论文，这激发了本文作者的兴趣，并尝试在PyTorch中实现相关工作。接下来，我们就一同看看如何构建一个机器学习管道，通过胸部X光图像来分类患者是否患有肺炎，并绘制模型用于决策的区域的热力图。

项目概述

1. 数据加载与预处理：使用Kaggle上的数据集，包含5433个训练数据点、624个验证数据点和16个测试数据点。利用PyTorch的强大库，如Dataset模块和ImageFolder模块加载数据，并通过transforms模块进行数据增强，生成不同变体的图像。
2. 模型训练：以ResNet 152为基线模型，通过继承nn.Module类，利用迁移学习技术，冻结ResNet - 152的特征提取器，添加自定义分类器。定义fit函数，使用Adam优化器、StepLR学习率调度器和Negative Log - Likelihood损失函数，在数据集上训练模型。
3. 模型评估：在训练过程中，对每个ep