在一般的图像数据的采集场景中，得到的多是二维图像，所以大多数深度学习网络的雏形都是基于二维图像展开的工作。

但是，在某些场景下，比如医学影像CT数据，监控场景连续拍摄的视频和自动驾驶使用到的激光点云等等，多是连续的、多层的数据。

此时，层内的信息，和层与层之间的层间深度信息，也是一个重要的特征信息。所以，实现三维的目标分类任务，也是必不可少的。想想很复杂，但是动手实操了，才能理解其中的内容。

本文就对三维图像分类任务展开介绍，主要是自己的实战记录过程。包括：

1. 3维网络构建部分
2. 3维数据构建部分
3. 训练和测试
4. 对基础部分进行修改，提高性能

下面一点点的进行详述。

一、构建3维网络

三维网络我们不熟悉，就先从构建二维网络开始，然后推到三维网络里面去。这样能帮助我们更快的理解。下面就以LeNet为例，展开实验

1.1、先构建2维LeNet

在学习神经网络的时候，LeNet是一个比较早期的网络，并且结构也是比较的简单，很方便我们理解的。这里我就以LeNet为例，构建一个卷积是3*3、stride=2的改版LeNet2D模型，如下所示：

import torch
import torch.nn as nn
import torch.nn.functional as F

from torch.autograd import Variable
from torchsummary import summary


class LeNet2D(nn.Module):
    def __init__(self, num_classes=2, input_channel=3, init_weights=False):
        super(LeNet2D, self).__init__()
        self.conv1 = nn.Conv2d(input_channel, 16, kernel_size=3, stride=2, padding=1)
        self.pool1 = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=2, padding=1)
        self.pool2 = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(32*4*4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, num_classes)

        if init_weights:
            self._initialize_weights()

    def forward(self, x):           #          1, 64, 64
        x = F.relu(self.conv1(x))   # output   16, 32, 32
        x = self.pool1(x)           # output   16, 16, 16
        x = F.relu(self.conv2(x))   # output   32, 8, 8
        x = self.pool2(x)           # output   32, 4, 4
        x = x.view(x.size(0), -1)   # outpu    32*4*4, 1
        x = F.relu(self.fc1(x))     # output(120)
        x = F.relu(self.fc2(x))     # output(84)
        x = self.fc3(x)             # output(10)
        return x

    def _initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.xavier_uniform_(m.weight)
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.Linear):
                nn.init.xavier_uniform_(m.weight)
                nn.init.constant_(m.bias, 0)



def main_2d():
    model = LeNet2D(num_classes=2, input_channel=1, init_weights=True)
    model = nn.DataParallel(model, device_ids=None)
    print(model)
    summary(model, input_size=(1, 64, 64), batch_size=-1, device='cpu')

    input_var = Variable(torch.randn(16, 1, 64, 64))  # b,c,h,w
    output = model(input_var)
    print(output.shape)

上述构建模型部分是比较简单的，相信你已经看明白了。对模型进行测试，看看是否满足我们的预期。其中：

• 类别是2
• 灰度图像1*64*64（b,c,h,w）
• batch=16

summary打印的模型如下:

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1           [-1, 16, 32, 32]             160
         MaxPool2d-2           [-1, 16, 16, 16]               0
            Conv2d-3             [-1, 32, 8, 8]           4,640
         MaxPool2d-4             [-1, 32, 4, 4]               0
            Linear-5                  [-1, 120]          61,560
            Linear-6                   [-1, 84]          10,164
            Linear-7                    [-1, 2]             170
           LeNet2D-8                    [-1, 2]               0
================================================================
Total params: 76,694
Trainable params: 76,694
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.02
Forward/backward pass size (MB): 0.18
Params size (MB): 0.29
Estimated Total Size (MB): 0.49
----------------------------------------------------------------

测试输入数组为(16, 1, 64, 64)时，输出的大小是torch.Size([16, 2])，16是批次大小，2是预设的输出类别，符合我们的预测。

1.2、构建3维LeNet

在已经构造好的LeNet2D模型的基础上，改造成我们需要的LeNet3D模型，直接替换两处：

• nn.Conv2d --> nn.Conv3d
• nn.MaxPool2d --> nn.MaxPool3d

也就是将卷积核和池化核的尺寸都变动以下，增加一个深度信息。构建的模型如下：

class LeNet3D(nn.Module):
    def __init__(self, num_classes=2):
        super(LeNet3D, self).__init__()
        self.conv1 = nn.Conv3d(1, 16, kernel_size=3, stride=2, padding=1)
        self.pool1 = nn.MaxPool3d(2, 2)
        self.conv2 = nn.Conv3d(16, 32, kernel_size=3, stride=2, padding=1)
        self.pool2 = nn.MaxPool3d(2, 2)
        self.fc1 = nn.Linear(32*2*4*4, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, num_classes)


    def forward(self, x):            #      c,z, h, w                              c,  z,  h, w
        x = F.relu(self.conv1(x))    # input(1,32,64,64) -- kernel_size=3, stride=2 --  (16,16,32,32)
        x = self.pool1(x)            # output (16,8,16,16)
        x = F.relu(self.conv2(x))    # output (32, 4, 8, 8)
        x = self.pool2(x)            # output (32, 2, 4, 4)
        x = x.view(x.size(0), -1)    # output (32*2*4*4, 1)
        x = F.relu(self.fc1(x))      # output(120)
        x = F.relu(self.fc2(x))      # output(84)
        x = self.fc3(x)              # output(10)
        return x

def main_3d():
    model = LeNet3D(num_classes = 2)
    model = nn.DataParallel(model, device_ids=None)
    print(model)
    summary(model, input_size=(1, 32, 64, 64), batch_size=-1, device='cpu')
    #
    input_var = Variable(torch.randn(16, 1, 32, 64, 64))  # b,c,z,h,w
    output = model(input_var)
    print(output.shape)

依旧对模型进行测试，看看是否满足我们的预期（养成一步一测试的习惯）。其中：

• 类别是2
• 灰度图像1*32*64*64（b,c,z,h,w）
• batch=16

3维输入数据，与2维输入数据，多了一个Z周的维度信息。所以，再后面构建数据时候，也要跟此处测试的数据格式一致。

打印的模型如下：

DataParallel(
  (module): LeNet3D(
    (conv1): Conv3d(1, 16, kernel_size=(3, 3, 3), stride=(2, 2, 2), padding=(1, 1, 1))
    (pool1): MaxPool3d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (conv2): Conv3d(16, 32, kernel_size=(3, 3, 3), stride=(2, 2, 2), padding=(1, 1, 1))
    (pool2): MaxPool3d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (fc1): Linear(in_features=1024, out_features=120, bias=True)
    (fc2): Linear(in_features=120, out_features=84, bias=True)
    (fc3): Linear(in_features=84, out_features=2, bias=True)
  )
)

PS；这里加了并行化，可以把并行化的代码去除掉，进行打印，更加简洁。

summary打印的模型如下:

----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv3d-1       [-1, 16, 16, 32, 32]             448
         MaxPool3d-2        [-1, 16, 8, 16, 16]               0
            Conv3d-3          [-1, 32, 4, 8, 8]          13,856
         MaxPool3d-4          [-1, 32, 2, 4, 4]               0
            Linear-5                  [-1, 120]         123,000
            Linear-6                   [-1, 84]          10,164
            Linear-7                    [-1, 2]             170
           LeNet3D-8                    [-1, 2]               0
================================================================
Total params: 147,638
Trainable params: 147,638
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.50
Forward/backward pass size (MB): 2.32
Params size (MB): 0.56
Estimated Total Size (MB): 3.39
----------------------------------------------------------------

测试输入数组为(16, 1, 32, 64, 64)时，输出的大小是torch.Size([16, 2])，符合我们的预测。

注意一点：网络模型对于的图像大小的输入是有要求的，上述代码中构建的模型，智适用于输入大小为(1, 32, 64, 64)的，这是因为在全连接时候，需要将前一层卷积后的输出进行拉直操作。

此时，这个拉直后的大小，是和输入图像的大小，有直接关系的。上面我对全连接部分对尺寸怎么计算得到的，进行了备注，你也可以修改为自己希望输入的尺寸，只要对应修改全连接输入的部分，即可。

如果，你需要对模型进行参数初始化，可以添加模型初始化部分，如下所示：

class LeNet3D(nn.Module):
    def __init__(self, num_classes=2, init_weights=False):
        super(LeNet3D, self).__init__()
        
        if init_weights:
            self._initialize_weights()

def _initialize_weights(self):
    for m in self.modules():
        if isinstance(m, nn.Conv3d):
            n = m.kernel_size[0] * m.kernel_size[1] * m.kernel_size[2] * m.out_channels
            m.weight.data.normal_(0, math.sqrt(2. / n))
            if m.bias is not None:
                m.bias.data.zero_()
        elif isinstance(m, nn.BatchNorm3d):
            m.weight.data.fill_(1)
            m.bias.data.zero_()
        elif isinstance(m, nn.Linear):
            n = m.weight.size(1)
            m.weight.data.normal_(0, 0.01)
            m.bias.data.zero_()

模型初始化方式挺多的，全0初始化、随机初始化、高斯分布初始化、预训练模型初始化等等。如果没有主动定义初始化

更多summary的信息，可以参考这里：torch.summary打印出神经网络的形状和参数大小

1.3、小结

LeNet模型从2维到3维的构建过程，是比较简单的，通过尝试输入数据进行测试网络数据流，也是满足预期的。

其中，改变输入图像的宽高大小，对于卷积和池化的输入大小，是不需要做适应的。而全连接的输入，需要预先固定。所以，代码部分给出了数据流大小的计算过程，方便改写。

当然，这里只是简单学习了LeNet模型从2维变3维，且进行测试的过程。网络上前辈已经将目前常用的网络模型，基本都改好了3维版本的，所以，如果需要了，可以直接使用。

这里提供一个GitHub，包括了'c3d', 'squeezenet', 'mobilenet', 'resnext', 'resnet', 'shufflenet', 'mobilenetv2', 'shufflenetv2'的3维模型。链接：Efficient-3DCNNs

二、数据部分

由前面设计网络部分的模拟输入数据的结构，我们可以知道，接下来创建数据时候，也需要是1, 32, 64, 64的数据形式，表示32个1*64*64的图像，堆叠到了一起的一个数组。

2.1、GetLoader基础版本

这本篇的数据预处理中，我遵循如下的步骤：

• 首先，将需要的分类的目标，保存成[32, 1, 64, 64]的.nii数组文件
• 其次，itk.imread读取进来的，就是一个三维的结构数组
• 再进行归一化
• 分类标签采用从文件名传进来的形式，转化为one-hot形式

你也可以将保存nii数组文件这块内容，放到GetLoader出进行处理，也是可以的，就是代码不那么的简洁。

至此，一个简单的三维模型数据块准备完毕，代码如下：

import torch
from torch.utils.data import Dataset
from torch.utils import data as torch_data
import itk
import os

class GetLoader(Dataset):
    def __init__(self, data_root):
        super().__init__()
        self.data_root = data_root
        self.list_path_data = os.listdir(data_root)

    def __getitem__(self, index):
        name_i = self.list_path_data[index]
        # print(name_i)
        data = itk.array_from_image(itk.imread(os.path.join(self.data_root, name_i)))
        # print(data.shape)
        data = (data - data.min()) / (data.max() - data.min())
        label_cls_str = name_i.split('_')[-1].split('.nii')[0]
        labels = [1, 0] if label_cls_str == 'malignant' else [0, 1]
        return torch.tensor(data[None, :]).float(), torch.tensor(labels).float()

    def __len__(self):
        return len(self.list_path_data)


if __name__=='__main__':
    data_root = r"./database/val"
    dataNII = GetLoader(data_root)
    print(len(dataNII))
    valid_loader = torch_data.DataLoader(dataNII, batch_size=2, shuffle=False, num_workers=4,
                                         pin_memory=False)
    print(len(valid_loader))
    for i in range(len(dataNII)):
        image2d, label2d = dataNII[i]

        print('image size ......')
        print(image2d.shape)  # torch.Size([1, 32, 1, 64, 64])
        
        print('label size ......')
        print(label2d.shape)  # torch.Size([2])

这么是一个比较简单的版本。有基础版本，那就会有升级版本。后面我们还可以改变输入数据形式，比如图像数据是3通道的，增加数据增强方式等等。这部分内容，我们放到增强篇进行详述。

2.2、GetLoader数据可视化

这里，我们现有基础版本上，查看下数据构建出来的样子，代码如下：

import matplotlib.pyplot as plt
if __name__=='__main__':
    data_root = r"./data-channel_1/lidc/test"
    dataNII = GetLoader(data_root)
    print(len(dataNII))
    valid_loader = torch_data.DataLoader(dataNII, batch_size=2, shuffle=False, num_workers=4,
                                         pin_memory=False)
    print(len(valid_loader))
    for i in range(len(dataNII)):
        image2d, label2d = dataNII[i]

        print('image size ......')
        print(image2d.shape)  # (1, 32,  64, 64)
        
        print('label size ......')
        print(label2d.shape)  # (2)

        for j in range(image2d.shape[1]):
            oneImg = image2d[0, j, :, :]
            print(oneImg.shape)
            plt.subplot(4, 8, j + 1)
            plt.title(j)
            plt.imshow(oneImg, cmap='gray')
            plt.axis('off')

        plt.show()

显示的图片序列信息如下，一个3维的图像是32张，每一张又是64*64的大小，铺开显示，就是下面这样：

显示部分参考链接：pytorch 带batch的tensor类型图像怎么显示？

三、训练与评估

pytorch中，最为简答和最流程化的部分，就数训练了。主要遵循以下一个结构：

1. 获取数据
2. 获取模型
3. 定义优化器
4. 定义损失函数
5. 循环epoch
6. 循环一个epoch的多个batch
7. 阶段性评估
8. 保存模型
9. 输出训练文档

上述精简版代码结构如下，之后我们在这个结构里面，进行填空就行：

def validation(valid_loader, path_ckpt):
    return loss_avg, acc_sum

def train():
    MAX_EPOCH = 70
    ITR_PER_CKPT_VAL = 1

    # 获取数据
    train_data_retriever = GetLoader(data_train)
    valid_data_retriever = GetLoader(data_val)

    train_loader = torch_data.DataLoader()
    valid_loader = torch_data.DataLoader()

    # 获取模型
    model = LeNet()
    model.train()
    model.to(device)

    # 定义优化器
    optimizer = torch.optim.SGD()

    # 循环epoch
    for i_epoch in range(1, MAX_EPOCH + 1):
        loss_sum = 0
        N = 0

        # 循环一个epoch的batch
        for step, (data, label) in enumerate(train_loader):
            img = data.to(device)

            targets = label.to(device)
            outputs = model(img).squeeze(1)

            # 定义损失函数
            loss = F.cross_entropy(outputs, torch.max(targets, 1)[1]).to(device)
            loss_sum += loss.detach().item()

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        loss_avg = loss_sum / len(train_loader)
        print("[Epoch " + str(i_epoch) + " | " + "train loss = " + ("%.7f" % loss_avg) + "]")

        # 保存模型
        path_ckpt = r"./checkpoints/" + str(i_epoch) + ".pth.tar"
        torch.save({"epoch": i_epoch, "model_state_dict": model.state_dict(),
                    "optimizer_state_dict": optimizer.state_dict()}, path_ckpt)

        # 阶段性评估
        loss_val, acc_sum = validation(valid_loader, path_ckpt)
        accuracy = acc_sum * 100 / len(valid_data_retriever)
        print("[Epoch " + str(i_epoch) + " | " + "val loss = " + ("%.7f" % loss_val) + "  accuracy = " + ("%.3f" % accuracy) + "%]")


if __name__=='__main__':
    train()

如果你以前也做过pytorch的分类任务，那么你可以直接拿出来，在上面改就可以了。本文使用到的定义如下列表：

1. 数据的获取第一章节已经介绍完毕
2. 模型的定义在第二章节已经介绍完毕
3. 优化器采用常用的SGD
4. 损失函数使用交叉熵损失cross_entropy

完整训练和验证代码如下：

import pandas as pd
import torch
from torch.utils import data as torch_data
from torch.nn import functional as torch_functional
import torch.nn.functional as F
from tensorboardX import SummaryWriter

from Dataset import GetLoader

from models.LeNet import LeNet3D

os.environ["CUDA_VISIBLE_DEVICES"] = "0"
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

def validation(valid_loader, path_ckpt):
    model = LeNet3D()
    model_ckpt = torch.load(path_ckpt)
    model.load_state_dict(model_ckpt['model_state_dict'])
    # model = torch.nn.DataParallel(model).to(device)
    model.eval()
    model.to(device)

    loss_sum = 0
    acc_sum = 0

    for step, (data, label) in enumerate(valid_loader):

        img = data.to(device)
        # print(img.shape)
        targets = label.to(device)
        outputs = model(img).squeeze(1)

        loss = F.cross_entropy(outputs, torch.max(targets, 1)[1]).to(device)

        loss_sum += loss.detach().item()

        prediction = torch.max(outputs, 1)[1]
        pred_y = prediction.data.cpu().numpy()

        target = torch.max(targets, 1)[1]
        target_y = target.data.cpu().numpy()

        acc_sum += sum((pred_y-target_y)==0)

    loss_avg = loss_sum / len(valid_loader)
    return loss_avg, acc_sum

def train():
    MAX_EPOCH = 70
    ITR_PER_CKPT_VAL = 1
    data_train = './database/train'
    data_val = './database/val'
    train_data_retriever = GetLoader(data_train)
    valid_data_retriever = GetLoader(data_val)

    train_loader = torch_data.DataLoader(train_data_retriever, batch_size=8, shuffle=True, num_workers=4, pin_memory=False, worker_init_fn=_init_fn)
    valid_loader = torch_data.DataLoader(valid_data_retriever, batch_size=1, shuffle=False, num_workers=4, pin_memory=False, worker_init_fn=_init_fn)

    model = LeNet3D()
    # model = torch.nn.DataParallel(model).to(device)
    model.train()
    model.to(device)

    optimizer = torch.optim.SGD(model.parameters(), lr=0.001, momentum=0.9)

    best_valid_score = 0
    writer = SummaryWriter(comment='Linear')

    for i_epoch in range(1, MAX_EPOCH + 1):
        loss_sum = 0
        N = 0
        for step, (data, label) in enumerate(train_loader):

            img = data.to(device)
            # print(img.shape)
            targets = label.to(device)
            outputs = model(img).squeeze(1)

            loss = F.cross_entropy(outputs, torch.max(targets, 1)[1]).to(device)

            loss_sum += loss.detach().item()
            # print('run ', step, loss_sum)

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        loss_avg = loss_sum / len(train_loader)
        print("[Epoch " + str(i_epoch) + " | " + "train loss = " + ("%.7f" % loss_avg) + "]")
        writer.add_scalar('scalar/train_loss', loss_avg, i_epoch)

        if i_epoch % ITR_PER_CKPT_VAL == 0:
            # Saving checkpoint.
            path_ckpt = r"./checkpoints/" + str(i_epoch) + ".pth.tar"
            torch.save({"epoch": i_epoch, "model_state_dict": model.state_dict(),
                        "optimizer_state_dict": optimizer.state_dict()}, path_ckpt)

            loss_val, acc_sum = validation(valid_loader, path_ckpt)
            accuracy = acc_sum * 100 / len(valid_data_retriever)

            print("[Epoch " + str(i_epoch) + " | " + "val loss = " + ("%.7f" % loss_val) + "  accuracy = " + ("%.3f" % accuracy) + "%]")
            writer.add_scalar('scalar/val_loss', loss_val, i_epoch)
            writer.add_scalar('scalar/val_acc', accuracy, i_epoch)

            if best_valid_score < accuracy:
                path_ckpt_best = r"./checkpoints/best_acc.pth.tar"
                torch.save({"epoch": i_epoch, "model_state_dict": model.state_dict(),
                            "optimizer_state_dict": optimizer.state_dict()}, path_ckpt_best)

                best_valid_score = accuracy
    writer.close()


if __name__=='__main__':
    train()

到这里，从数据到网络，再到整合到一起的训练和验证过程，都完成了。从整个结构上来说，还是比较简单的。亮点就在于这是一个3维的模型，和3维的训练任务。拿二维的思路套在三维这里，是同样适用的。

对上述的代码部分没有逐一的进行介绍，不懂和感兴趣的，可以直接去我的博客主页，查看相关实战项目，有对这块部分拆解的文章，欢迎查看。

如果需要应用，直接改写validation部分即可。这里就不赘述了，后面我们就讲述到的，相信你自己也能改写的比较好。

四、总结

尽管已经完成了3为分类任务的整个过程，从数据的处理，到模型的构建，再到训练和评估。但依旧存在诸多问题，主要体现在以下几点：

1. LeNet3D模型结构较为简单
2. 图像灰度图像，数据处理部分没有数据增强

目前想到要改进的就这么两点，也是我在下一篇增强篇里面，着重添加的部分。其中网络部分的模型，前面我已经添加了一个GitHub的链接，可以直接引用过来，替换LeNet3D，亲测有效。

图像增强部分，引入水平、垂直方向翻转、随机旋转、加噪声、滤波、归一化等等，希望通过这些数据增强的实战，能够自己也写几个符合自己数据集的数据增强方式，这是目的。