基于Jupyter Notebook的糖尿病视网膜病变AI诊断项目全流程解析

简介：深度学习作为人工智能的核心技术，通过构建多层神经网络模型，能够从海量数据中自动学习并提取复杂特征。其核心原理在于利用反向传播算法优化网络参数，使模型能够拟合输入与输出之间的复杂映射关系。这一技术价值在于极大地提升了计算机在图像识别、自然语言处理等领域的感知与决策能力，尤其在医疗影像分析等专业场景中展现出巨大潜力。在工程实践中，一个完整的深度学习项目远不止模型构建，更涵盖了数据获取、预处理、模型训练与评估、以及最终部署的全链路。其中，数据预处理与增强是决定模型性能的关键环节，而迁移学习则成为在小规模专业数据集上快速构建高效模型的实用策略。本文以糖尿病视网膜病变自动筛查为具体应用场景，深入剖析了如何利用Jupyter Notebook、PyTorch等工具，结合公开数据集和预训练模型，构建一个可复现、可展示的完整医疗AI诊断项目，为相关领域的毕业设计或工程实践提供了详实的参考模板。

1. 项目概述：从毕业设计到可复现的医疗AI诊断工具

如果你正在为计算机视觉或生物医学工程相关的毕业设计发愁，手头需要一个既有理论深度又有实践价值，还能完整展示从数据处理到模型部署全流程的项目，那么这个基于Jupyter Notebook的糖尿病视网膜疾病诊断系统，很可能就是你一直在找的“宝藏模板”。这不是一个简单的算法演示，而是一个麻雀虽小、五脏俱全的微型工程实践。它涵盖了从公开数据集获取、预处理、深度学习模型构建与训练，到最终性能评估与可视化的完整链路。对于本科生或研究生而言，其价值不仅在于提供了一个可以直接运行、观察结果的代码包，更在于它清晰地示范了如何将一个复杂的医学图像分析问题，拆解为一系列可执行、可调试的标准化步骤。使用Jupyter Notebook作为载体，更是将探索性数据分析与实验记录完美结合，你的每一步思考、每一次参数调整、每一个中间结果都能被即时呈现和保存，这本身就是一份极具说服力的毕业设计过程文档。

这个项目的核心目标，是利用眼底彩照来自动筛查糖尿病视网膜病变。糖尿病视网膜病变是工作年龄段人群致盲的首要原因，但早期筛查率并不理想。通过AI辅助诊断，可以极大提升筛查效率，减轻医生负担。项目中通常会包含一个结构清晰的源码目录、一个或多个公开数据集（如Kaggle上的APTOS 2019或MESSIDOR）、预训练的深度学习模型（如ResNet, DenseNet, EfficientNet等），以及详细的文档说明。接下来，我将为你彻底拆解这个项目的每一个环节，分享我在复现和改进类似项目时积累的实操经验与避坑指南。

2. 项目整体架构与核心思路拆解

一个完整的AI诊断项目，远不止“调个库、跑个模型”那么简单。其背后是一套严谨的工程化思维。这个毕业设计项目的典型架构，可以理解为一条环环相扣的流水线。

2.1 核心流程与模块划分

整个项目通常遵循标准的数据科学工作流，并针对医学图像特点进行了定制。核心流程可以概括为：数据获取与理解 -> 数据预处理与增强 -> 模型选择与构建 -> 模型训练与验证 -> 结果评估与可视化。在代码层面，这通常会对应几个清晰的Python模块或Jupyter Notebook单元：

1. 环境配置与数据加载模块：确保所有依赖库（如PyTorch/TensorFlow, OpenCV, Pandas, Scikit-learn）正确安装，并编写数据加载器，能够正确读取图像文件及其对应的病变等级标签。
2. 数据探索性分析模块：这是理解数据的第一步，也是毕业设计报告中体现你分析能力的关键。你需要统计不同病变等级的图像数量分布（通常极不均衡），可视化一些样本图像，观察图像的质量、亮度、对比度差异，以及病变的典型表现（如微动脉瘤、出血、渗出等）。
3. 数据预处理与增强管道模块：这是影响模型性能最关键的步骤之一。医学图像数据通常存在尺寸不一、亮度不均、样本量少且类别不平衡的问题。预处理包括调整图像尺寸、标准化像素值、可能还需要进行图像增强以增加数据多样性并缓解过拟合，同时必须采用针对类别不平衡的策略，如过采样、欠采样或使用加权的损失函数。
4. 模型定义模块：这里包含了深度学习模型的核心结构。常见的选择是迁移学习，即使用在ImageNet等大型数据集上预训练好的模型（如ResNet50、InceptionV3、EfficientNet-B4）作为特征提取器，替换掉其最后的全连接层，以适应我们特定的分类任务（如分为5个DR等级）。
5. 训练循环与验证模块：这个模块实现了模型的训练逻辑。包括定义损失函数（对于多分类，常用交叉熵损失）、优化器（如Adam）、学习率调度器，以及编写训练和验证的循环代码。每一步都需要记录损失和准确率等指标。
6. 评估与可视化模块：模型训练完成后，需要在独立的测试集上进行评估。除了准确率，更要关注精确率、召回率、F1分数以及混淆矩阵，因为医学诊断中漏诊（召回率低）的代价可能很高。可视化部分包括绘制训练曲线、显示模型对测试样本的预测结果，以及使用Grad-CAM等工具可视化模型关注的图像区域，这对于解释AI决策、增加模型可信度至关重要。

2.2 技术选型背后的考量

为什么是Jupyter Notebook + Python？为什么常用PyTorch或TensorFlow？这些选择背后有充分的理由。

• Jupyter Notebook：它是数据科学和机器学习领域的“实验记录本”。其交互式特性允许你逐块运行代码，即时查看输出（如图像、图表、数据框），非常适合进行探索性数据分析和模型调试。对于毕业设计，它生成的.ipynb文件可以直接作为可交互的报告提交，清晰地展示你的工作流程和思考过程。不过，当项目规模变大时，建议将稳定的代码重构为标准的.py脚本模块，以提高可维护性和运行效率。
• Python：拥有最庞大、最成熟的AI和科学计算生态（NumPy, Pandas, Matplotlib, Scikit-learn），社区支持极好，任何问题几乎都能找到解决方案。
• PyTorch vs. TensorFlow/Keras：两者都是优秀的选择。PyTorch的动态计算图更灵活，调试直观，在研究社区和教学场景中更受欢迎。TensorFlow（尤其是其Keras高级API）在生产部署和移动端支持上可能更有优势。对于毕业设计，我通常推荐PyTorch，因为它的代码更“Pythonic”，易于理解，且相关教程和开源项目极其丰富。
• 预训练模型：从零开始训练一个深度卷积神经网络需要海量数据和计算资源。迁移学习让我们能够利用在大规模通用图像数据集上学到的通用特征（如边缘、纹理），快速适配到特定的医学图像任务上，这是一种非常高效且实用的策略。

注意：不要盲目追求最复杂、最新的模型。对于毕业设计，一个设计良好的数据预处理管道和一个正确实施的ResNet34，其最终效果和展示的完整性，可能远胜于一个数据处理粗糙但模型用了最新SOTA（最先进技术）的项目。清晰、可复现的流程比模型复杂度更重要。

3. 核心环节深度解析与实操要点

理解了整体架构，我们深入到几个最容易出问题，也最能体现功力的核心环节。

3.1 数据准备：不止是下载和解压

数据集是项目的基石。糖尿病视网膜病变公开数据集，如APTOS 2019或MESSIDOR，通常以压缩包形式提供。下载后，第一件事不是急着写模型代码，而是彻底“认识”你的数据。

步骤一：解压与目录组织我习惯建立一个清晰的目录结构，例如：

project/ ├── data/ │ ├── train/ # 训练集图像 │ ├── test/ # 测试集图像 │ └── labels.csv # 训练集标签文件（包含图像名和病变等级） ├── src/ # 源代码 ├── models/ # 保存训练好的模型权重 └── notebooks/ # Jupyter Notebook文件

标签文件通常是一个CSV，包含id_code（图像文件名）和diagnosis（病变等级，0-4）两列。

步骤二：探索性数据分析在Jupyter Notebook中，使用Pandas加载labels.csv，用value_counts().plot(kind='bar')快速查看类别分布。你会发现，健康（等级0）的样本可能远多于重症（等级4）的样本，这就是典型的类别不平衡。接着，用OpenCV或PIL随机加载几张不同等级的图片显示出来，直观感受一下数据。

import pandas as pd import matplotlib.pyplot as plt # 查看分布 df = pd.read_csv('data/labels.csv') print(df['diagnosis'].value_counts()) df['diagnosis'].value_counts().plot(kind='bar') plt.title('Class Distribution') plt.show()

步骤三：设计数据加载器这是连接数据和模型的桥梁。在PyTorch中，你需要自定义一个继承自torch.utils.data.Dataset的类。这个类的核心是__getitem__方法，它根据索引返回一对（图像张量， 标签）。

from torch.utils.data import Dataset from PIL import Image class RetinopathyDataset(Dataset): def __init__(self, csv_file, img_dir, transform=None): self.labels_df = pd.read_csv(csv_file) self.img_dir = img_dir self.transform = transform # 预处理和增强变换 def __len__(self): return len(self.labels_df) def __getitem__(self, idx): img_name = os.path.join(self.img_dir, self.labels_df.iloc[idx, 0] + '.png') image = Image.open(img_name).convert('RGB') # 确保三通道 label = self.labels_df.iloc[idx, 1] if self.transform: image = self.transform(image) return image, label

3.2 数据预处理与增强：模型性能的“胜负手”

医学图像预处理的目标是减少无关噪声，突出关键特征，并使数据分布更一致。

1. 基础预处理：

   • 调整尺寸：将所有图像缩放到固定尺寸（如224x224或512x512），以满足模型输入要求。注意保持长宽比，通常用中心裁剪或填充黑边的方式。
   • 标准化：将像素值从[0, 255]缩放到[0, 1]或进行标准化（减去均值，除以标准差）。使用预训练模型时，必须采用该模型在ImageNet上使用的均值和标准差（例如，对于PyTorch的Torchvision模型，常用mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]）。

2. 数据增强：这是在小数据集上防止过拟合、提升模型泛化能力的核心技术。对于眼底图像，有效的增强包括：

   • 几何变换：水平/垂直翻转、随机旋转（小角度）、平移。这些变换模拟了拍摄时角度的微小变化。
   • 像素变换：亮度、对比度、饱和度微调，添加高斯噪声。模拟不同设备、拍摄条件导致的图像质量差异。
   • 高级增强：使用albumentations库，它提供了更丰富且针对视觉任务的增强方法，并且与PyTorch兼容性好。

   实操心得：增强的强度要适中。过强的增强（如大角度旋转、剧烈颜色抖动）可能会破坏眼底图像中病变的结构信息，反而损害性能。建议先从温和的增强组合开始实验。

3. 处理类别不平衡：

   • 采样策略：在DataLoader中设置sampler参数。可以使用WeightedRandomSampler，给少数类样本更高的采样权重。
   • 损失函数加权：在交叉熵损失函数中为每个类别设置不同的权重，少数类的权重更大。权重可以设置为类别频率的倒数。

一个结合了预处理、增强和采样策略的数据管道示例：

from torchvision import transforms from torch.utils.data import DataLoader, WeightedRandomSampler # 定义变换 train_transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(10), transforms.ColorJitter(brightness=0.1, contrast=0.1), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) val_transform = transforms.Compose([ # 验证集不需要增强 transforms.Resize((256, 256)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 创建数据集 train_dataset = RetinopathyDataset(csv_file='data/train_labels.csv', img_dir='data/train/', transform=train_transform) # 计算采样权重 class_counts = df['diagnosis'].value_counts().sort_index().values class_weights = 1. / torch.tensor(class_counts, dtype=torch.float) sample_weights = class_weights[train_dataset.labels_df['diagnosis'].values] sampler = WeightedRandomSampler(weights=sample_weights, num_samples=len(sample_weights), replacement=True) # 创建DataLoader train_loader = DataLoader(train_dataset, batch_size=32, sampler=sampler) # 验证集loader通常使用顺序采样 val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)

3.3 模型构建与迁移学习实战

这里以PyTorch和ResNet50为例，展示如何快速构建一个分类模型。

import torch import torch.nn as nn import torchvision.models as models class DRClassificationModel(nn.Module): def __init__(self, num_classes=5, pretrained=True): super(DRClassificationModel, self).__init__() # 加载预训练的ResNet50 self.backbone = models.resnet50(pretrained=pretrained) # 获取原始全连接层的输入特征数 num_features = self.backbone.fc.in_features # 替换最后的全连接层，以适应我们的分类任务 self.backbone.fc = nn.Sequential( nn.Dropout(0.5), # 添加Dropout防止过拟合 nn.Linear(num_features, 256), nn.ReLU(), nn.Dropout(0.3), nn.Linear(256, num_classes) ) def forward(self, x): return self.backbone(x) # 实例化模型，并移至GPU device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = DRClassificationModel(num_classes=5).to(device)

关键点解析：

• pretrained=True：加载在ImageNet上预训练的权重，这是迁移学习的核心。
• 替换fc层：原始ResNet的fc层输出1000维（对应ImageNet的1000类），我们需要将其替换为输出5维（对应DR的5个等级）的新网络层。这里我添加了Dropout和额外的线性层，这是一个常见的微调结构，有助于模型学习数据集特定的特征。
• 冻结部分层：在训练初期，可以先将backbone（特征提取器）的大部分层冻结，只训练新添加的fc层。训练几轮后，再解冻所有层进行微调。这是一种防止预训练权重被小数据带偏的有效策略。可以使用for param in model.backbone.parameters(): param.requires_grad = False来实现。

4. 模型训练、验证与调优全流程

有了数据和模型，训练过程是将两者结合并优化的关键。

4.1 训练循环的编写

一个标准的训练循环包括前向传播、损失计算、反向传播和参数更新。同时，必须有一个独立的验证循环来监控模型在未见数据上的表现，防止过拟合。

import torch.optim as optim from tqdm import tqdm # 用于显示进度条 criterion = nn.CrossEntropyLoss() # 损失函数 optimizer = optim.Adam(model.parameters(), lr=1e-4) # 优化器 scheduler = optim.lr_scheduler.ReduceLROnPlateau(optimizer, mode='min', patience=3, factor=0.1) # 学习率调度 num_epochs = 30 train_losses, val_losses = [], [] train_accs, val_accs = [], [] for epoch in range(num_epochs): # 训练阶段 model.train() running_loss = 0.0 correct = 0 total = 0 loop = tqdm(train_loader, desc=f'Epoch [{epoch+1}/{num_epochs}] Train') for images, labels in loop: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() # 梯度清零 outputs = model(images) # 前向传播 loss = criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 参数更新 running_loss += loss.item() _, predicted = outputs.max(1) total += labels.size(0) correct += predicted.eq(labels).sum().item() # 更新进度条信息 loop.set_postfix(loss=loss.item()) epoch_train_loss = running_loss / len(train_loader) epoch_train_acc = 100. * correct / total train_losses.append(epoch_train_loss) train_accs.append(epoch_train_acc) # 验证阶段 model.eval() val_loss = 0.0 val_correct = 0 val_total = 0 with torch.no_grad(): # 验证时不计算梯度，节省内存和计算 for images, labels in val_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) loss = criterion(outputs, labels) val_loss += loss.item() _, predicted = outputs.max(1) val_total += labels.size(0) val_correct += predicted.eq(labels).sum().item() epoch_val_loss = val_loss / len(val_loader) epoch_val_acc = 100. * val_correct / val_total val_losses.append(epoch_val_loss) val_accs.append(epoch_val_acc) scheduler.step(epoch_val_loss) # 根据验证损失调整学习率 print(f'Epoch {epoch+1}: Train Loss: {epoch_train_loss:.4f}, Train Acc: {epoch_train_acc:.2f}% | Val Loss: {epoch_val_loss:.4f}, Val Acc: {epoch_val_acc:.2f}%') # 保存最佳模型 if epoch_val_acc > best_acc: best_acc = epoch_val_acc torch.save(model.state_dict(), 'models/best_model.pth')

4.2 超参数调优与实验管理

训练过程中的超参数选择直接影响最终结果。以下是一些核心参数和我的调优经验：

实验管理：强烈建议使用TensorBoard或Weights & Biases这类工具来记录每一次实验的超参数、训练曲线和验证指标。这能让你清晰地对比不同设置的效果，是科学调优的基础。在Jupyter中，你可以通过%load_ext tensorboard来集成TensorBoard。

4.3 模型评估与结果可视化

训练完成后，在独立的测试集上进行最终评估。不要只看准确率。

from sklearn.metrics import classification_report, confusion_matrix, ConfusionMatrixDisplay # 加载最佳模型 model.load_state_dict(torch.load('models/best_model.pth')) model.eval() all_preds = [] all_labels = [] with torch.no_grad(): for images, labels in test_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, preds = torch.max(outputs, 1) all_preds.extend(preds.cpu().numpy()) all_labels.extend(labels.cpu().numpy()) # 生成分类报告 print(classification_report(all_labels, all_preds, target_names=['0', '1', '2', '3', '4'])) # 绘制混淆矩阵 cm = confusion_matrix(all_labels, all_preds) disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=['0', '1', '2', '3', '4']) disp.plot(cmap=plt.cm.Blues) plt.show()

分类报告会给出每个类别的精确率、召回率、F1分数，混淆矩阵能直观看出模型在哪些类别间容易混淆（例如，把等级2预测为等级1）。

可视化模型注意力（Grad-CAM）：这对于医学AI的可解释性至关重要。Grad-CAM可以生成一个热力图，显示模型在做决策时更关注图像的哪些区域。

# 此处为Grad-CAM实现的核心思路伪代码，实际需借助torchcam等库 # 1. 前向传播，获取目标层的特征图。 # 2. 计算目标类别得分相对于该特征图的梯度。 # 3. 对梯度进行全局平均池化，得到每个特征图的权重。 # 4. 将权重与特征图加权求和，并通过ReLU激活，得到粗略的注意力热力图。 # 5. 将热力图缩放到原图大小，并叠加显示。

使用torchcam库可以相对方便地实现。在报告中展示几个正确和错误预测案例的Grad-CAM热力图，能极大提升工作的深度和说服力。

5. 项目部署与文档编写指南

一个优秀的毕业设计，不仅要有好的代码和结果，还要有清晰的文档和展示。

5.1 代码整理与工程化

在Jupyter Notebook中完成核心实验后，应将代码重构以提高可读性和可复用性。

• 模块化：将数据加载、模型定义、训练循环、工具函数分别写入不同的.py文件（如data_loader.py,model.py,train.py,utils.py）。
• 配置文件：使用config.yaml或args.py来集中管理所有超参数和路径，避免硬编码。
• 主入口：创建一个main.py或run.py作为项目启动的入口。
• 依赖管理：使用requirements.txt或environment.yml精确记录所有Python库的版本，确保他人可以复现环境。

5.2 文档说明撰写要点

你的README.md文档是项目的门面，应该包含：

1. 项目标题与简介：一句话说明项目是什么。
2. 主要特性：列出项目的核心功能和技术亮点。
3. 环境依赖：如何安装环境（如pip install -r requirements.txt）。
4. 数据集准备：详细说明数据集的下载链接、存放路径结构。
5. 快速开始：用最简单的命令说明如何训练和测试模型。
6. 代码结构：用树状图展示项目目录，说明每个文件/文件夹的作用。
7. 模型性能：展示在测试集上的关键指标（如准确率、F1分数），最好有混淆矩阵或ROC曲线的图片。
8. 可视化结果：展示几张模型预测结果和Grad-CAM热力图的示例图。
9. 参考文献：引用使用到的数据集、预训练模型和相关论文。

5.3 制作简易的本地演示界面

为了让答辩更出彩，可以做一个基于Gradio或Streamlit的简易Web演示界面。这能直观展示你的模型“工作”的过程。

# 一个极简的Gradio示例 import gradio as gr import torch from PIL import Image from model import DRClassificationModel # 导入你定义好的模型 model = DRClassificationModel() model.load_state_dict(torch.load('best_model.pth', map_location='cpu')) model.eval() def predict(image): # 将上传的图片进行与训练时相同的预处理 processed_img = preprocess(image) # 你需要实现这个预处理函数 with torch.no_grad(): output = model(processed_img) prob = torch.nn.functional.softmax(output, dim=1) pred_class = torch.argmax(prob).item() return f"预测病变等级: {pred_class}, 置信度: {prob[0][pred_class]:.2%}" iface = gr.Interface(fn=predict, inputs=gr.Image(type="pil"), outputs="text") iface.launch()

运行这段代码会生成一个本地网页，允许你上传眼底图片并实时看到预测结果。

6. 常见问题排查与避坑实录

在实际操作中，你一定会遇到各种报错和不如预期的结果。这里记录了几个最典型的问题和我的解决思路。

6.1 环境与依赖问题

• 问题：ImportError或ModuleNotFoundError。
  • 排查：仔细检查错误信息，确认缺失的库名。使用pip list查看已安装的包。
  • 解决：使用pip install安装缺失的库。强烈建议使用虚拟环境（如conda或venv）管理项目依赖，并通过pip freeze > requirements.txt导出环境。
• 问题：Jupyter Notebook内核无法启动或导入PyTorch时报CUDA错误。
  • 排查：在终端中运行python -c "import torch; print(torch.cuda.is_available())"，检查CUDA是否可用。确认PyTorch版本与CUDA版本匹配。
  • 解决：去PyTorch官网根据你的CUDA版本获取正确的安装命令。如果无GPU，则安装CPU版本的PyTorch。

6.2 数据加载与处理问题

• 问题：数据加载器报错，提示图片路径错误或无法解码。
  • 排查：在Dataset的__getitem__方法中添加print(img_name)，检查路径拼接是否正确。确认图片格式（jpg, png）与代码中读取的扩展名一致。
  • 解决：确保csv文件中的文件名与磁盘上的文件名完全一致（包括扩展名）。使用PIL的Image.open()时，用try...except包裹，跳过损坏的图片文件。
• 问题：训练时损失不下降或准确率始终在随机水平（对于5分类，约20%）。
  • 排查：
    1. 数据问题：检查数据标签是否正确，预处理和增强是否破坏了图像信息（可以可视化几个经过transform后的batch看看）。
    2. 模型问题：检查模型输出层维度是否与类别数匹配。检查是否错误地冻结了所有层导致参数不更新。
    3. 优化问题：学习率是否设置过高或过低？尝试一个更大的学习率（如1e-3）或更小的学习率（如1e-5）进行快速实验。
  • 解决：这是最复杂的问题。建议采用“控制变量法”调试：先在一个极小的、能过拟合的数据子集（比如每类5张图）上训练，如果模型能快速达到接近100%的训练准确率，说明模型和训练代码基本正确。然后再扩展到全量数据。

6.3 训练过程问题

• 问题：训练损失变为NaN。
  • 排查：通常是梯度爆炸导致。可能的原因有：学习率太大、数据未标准化、网络层中有除零操作。
  • 解决：降低学习率；确保数据经过标准化（像素值范围合理）；在训练循环中加入梯度裁剪torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)。
• 问题：验证准确率大幅波动。
  • 排查：批大小可能太小；验证集数据可能太少或分布与训练集差异大。
  • 解决：在内存允许的情况下增大batch_size。确保训练集和验证集是随机划分的，且分布大致相同。可以计算并对比两个集合的类别分布。

6.4 模型性能不佳问题

• 问题：模型在测试集上表现远差于验证集。
  • 排查：这是典型的数据泄露或过拟合。检查是否在预处理（如标准化）时，错误地使用了测试集的数据来计算均值和标准差。或者，训练集和测试集的数据分布本身差异很大。
  • 解决：所有从数据中计算的统计量（均值、标准差）必须仅从训练集计算，然后应用到验证集和测试集。确保训练、验证、测试集是独立同分布划分的。
• 问题：对于少数类（如等级3、4）的召回率极低。
  • 排查：类别不平衡问题未处理好。
  • 解决：回顾并加强类别不平衡处理策略。尝试更激进的过采样（如SMOTE）、使用Focal Loss替代标准交叉熵损失（它对难分类样本给予更高权重），或者收集/生成更多少数类样本。

在整个项目过程中，养成勤记录、多备份的习惯。每进行一次重要的参数修改或代码变更，最好能保存一份对应的模型权重和日志。使用Git进行版本控制更是必不可少，它能让你放心地尝试任何想法而无需担心无法回退。这个基于Jupyter的糖尿病视网膜病变诊断项目，就像一套完整的“外科手术工具包”，从解剖问题（数据分析）到选择工具（模型选型），再到精细操作（训练调优）和术后复盘（评估可视化），每一步都蕴藏着学问。希望这份超详细的拆解，能帮你不仅顺利完成毕业设计，更能真正理解一个AI项目从零到一的完整生命周期。当你亲手跑通整个流程，看到模型输出的热力图精准地定位到眼底的出血点时，那种成就感，会是学习路上最好的奖励。

本文还有配套的精品资源，点击获取