File size: 9,981 Bytes
3ca1d12 | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 | from typing import Any
import torch
from torch import nn, optim
import lightning.pytorch as pl
import torchvision.models.video as tvmv
import sklearn.metrics as skm
import numpy as np
class SyntaxLightningModule(pl.LightningModule):
"""
LightningModule для обучения 3D-ResNet (r3d_18) как backbone
в задаче предсказания SYNTAX score по видеоангиографии.
Модель предсказывает:
- yp_clf: вероятность поражения (syntax > порог) — бинарная классификация
- yp_reg: логарифмированное значение SYNTAX — регрессия
"""
def __init__(
self,
num_classes: int,
lr: float,
weight_decay: float = 0.0,
max_epochs: int = None,
weight_path: str = None,
sigma_a: float = 0.0,
sigma_b: float = 1.0,
**kwargs,
):
super().__init__()
self.save_hyperparameters()
self.num_classes = num_classes
self.lr = lr
self.weight_decay = weight_decay
self.max_epochs = max_epochs
self.weight_path = weight_path
self.sigma_a = sigma_a
self.sigma_b = sigma_b
# Базовый 3D-ResNet с ImageNet Kinetics-предобученными весами
self.model = tvmv.r3d_18(weights=tvmv.R3D_18_Weights.DEFAULT)
# Последний слой заменяем на Linear с num_classes выходами:
# 1 канал для классификации, 1 для регрессии
in_features = self.model.fc.in_features
self.model.fc = nn.Linear(in_features=in_features, out_features=num_classes, bias=True)
# Если передан путь к чекпоинту Lightning — загружаем backbone
if self.weight_path is not None:
ckpt = torch.load(self.weight_path, map_location="cpu", weights_only=False)
state_dict = ckpt["state_dict"]
# Чистим префикс "model." у ключей
new_state_dict = {k.replace("model.", ""): v for k, v in state_dict.items()}
self.model.load_state_dict(new_state_dict, strict=False)
# Лоссы
self.loss_clf = nn.BCEWithLogitsLoss(reduction="none")
self.loss_reg = nn.MSELoss(reduction="none")
# Буферы для валидационных метрик
self.y_val = []
self.p_val = []
self.r_val = []
self.ty_val = []
self.tp_val = []
# ------------------------------------------------------------------
def forward(self, x: torch.Tensor) -> torch.Tensor:
return self.model(x)
# ------------------------------------------------------------------
def training_step(self, batch, batch_idx):
"""
Один шаг обучения:
- бинарная классификация поражения (BCE с down-weight для нулей);
- регрессия логарифмированного SYNTAX с учётом get_sigma(target).
"""
x, y, target, sample_weight, path, original_label = batch
y_hat = self(x)
yp_clf = y_hat[:, 0:1] # logits для классификации
yp_reg = y_hat[:, 1:] # регрессия (лог SYNTAX)
# BCE с меньшим весом для класса 0 (нет поражения)
weights_clf = torch.where(y > 0, 1.0, 0.45)
clf_loss = self.loss_clf(yp_clf, y)
clf_loss = (clf_loss * weights_clf).mean()
# Регрессионный лосс с «вариабельностью по красной линии»
reg_loss_raw = self.loss_reg(yp_reg, target)
sigma = self.sigma_a * target + self.sigma_b
reg_loss = (reg_loss_raw / (sigma ** 2)).mean()
loss = clf_loss + 0.5 * reg_loss
# Метрики на бинарную задачу
y_pred = torch.sigmoid(yp_clf)
y_bin = torch.round(y.detach().cpu()).int()
y_pred_bin = torch.round(y_pred.detach().cpu()).int()
self.log("train_clf_loss", clf_loss, prog_bar=True, sync_dist=True)
self.log("train_val_loss", reg_loss, prog_bar=True, sync_dist=True)
self.log("train_full_loss", loss, prog_bar=True, sync_dist=True)
self.log(
"train_f1",
skm.f1_score(y_bin, y_pred_bin, zero_division=0),
prog_bar=True,
sync_dist=True,
)
self.log(
"train_acc",
skm.accuracy_score(y_bin, y_pred_bin),
prog_bar=True,
sync_dist=True,
)
return loss
# ------------------------------------------------------------------
def validation_step(self, batch, batch_idx):
"""
Валидационный шаг: считаем тот же комбинированный лосс и
аккумулируем предсказания для расчёта метрик на эпоху.
"""
x, y, target, sample_weight, path, original_label = batch
y_hat = self(x)
yp_clf = y_hat[:, 0:1]
yp_reg = y_hat[:, 1:]
# Комбинированный лосс
clf_loss = self.loss_clf(yp_clf, y)
reg_loss_raw = self.loss_reg(yp_reg, target)
sigma = self.sigma_a * target + self.sigma_b
reg_loss = (reg_loss_raw / (sigma ** 2)).mean()
loss = clf_loss.mean() + 0.5 * reg_loss
# Для метрик
y_pred = torch.sigmoid(yp_clf)
self.y_val.append(int(y[..., 0].cpu()))
self.p_val.append(float(y_pred[..., 0].cpu()))
self.r_val.append(round(float(y_pred[..., 0].cpu())))
self.ty_val.append(float(target[..., 0].cpu()))
self.tp_val.append(float(yp_reg[..., 0].cpu()))
return loss
# ------------------------------------------------------------------
def on_validation_epoch_end(self) -> None:
"""
Подсчёт валидационных метрик по всей эпохе и логирование в Logger.
"""
try:
auc = skm.roc_auc_score(self.y_val, self.p_val)
f1 = skm.f1_score(self.y_val, self.r_val, zero_division=0)
acc = skm.accuracy_score(self.y_val, self.r_val)
mae = skm.mean_absolute_error(self.y_val, self.r_val)
rmse = skm.root_mean_squared_error(self.ty_val, self.tp_val)
self.log("val_auc", auc, prog_bar=True, sync_dist=True)
self.log("val_f1", f1, prog_bar=True, sync_dist=True)
self.log("val_acc", acc, prog_bar=True, sync_dist=True)
self.log("val_mae", mae, prog_bar=True, sync_dist=True)
self.log("val_rmse", rmse, prog_bar=True, sync_dist=True)
except ValueError as err:
# Случаи, когда метрики нельзя посчитать (например, только один класс)
print(err)
print("Y_VAL", self.y_val)
print("P_VAL", self.p_val)
# Чистим буферы к следующей эпохе
self.y_val.clear()
self.p_val.clear()
self.r_val.clear()
self.ty_val.clear()
self.tp_val.clear()
# ------------------------------------------------------------------
def on_train_epoch_end(self) -> None:
"""Логирование текущего learning rate."""
opt = self.optimizers()
if hasattr(opt, "optimizer"):
lr = opt.optimizer.param_groups[0]["lr"]
else:
lr = opt.param_groups[0]["lr"]
self.log("lr", lr, on_step=False, on_epoch=True, sync_dist=True)
# ------------------------------------------------------------------
def configure_optimizers(self):
"""
- Если weight_path не задан → pretrain: обучаем только финальный fc-слой.
- Если weight_path задан → full fine-tuning: обучаем весь backbone.
"""
if not self.weight_path:
# Pretrain: замораживаем всё, кроме финального слоя
for param in self.parameters():
param.requires_grad = False
for p in self.model.fc.parameters():
p.requires_grad = True
params = list(self.model.fc.parameters())
else:
# Full fine-tune: обучаем все параметры модели
for param in self.parameters():
param.requires_grad = True
params = self.parameters()
optimizer = optim.AdamW(params, lr=self.lr, weight_decay=self.weight_decay)
if self.max_epochs is not None:
scheduler = optim.lr_scheduler.OneCycleLR(
optimizer=optimizer,
max_lr=self.lr,
total_steps=self.max_epochs,
)
return [optimizer], [scheduler]
else:
return optimizer
# ------------------------------------------------------------------
def predict_step(self, batch: Any, batch_idx: int, dataloader_idx: int = 0) -> Any:
"""
Инференс: возвращает словарь с бинарным предсказанием, вероятностями
и регрессионным выходом.
"""
x, y, target, sample_weight, path, original_label = batch
y_hat = self(x)
yp_clf = y_hat[:, 0:1]
yp_reg = y_hat[:, 1:]
y_prob = torch.sigmoid(yp_clf)
y_pred = torch.round(y_prob)
return {
"y": y,
"y_pred": y_pred,
"y_prob": y_prob,
"y_reg": yp_reg,
"target": target,
"original_label": original_label,
}
|