32、肿瘤疑似检测分类模型的训练与验证

肿瘤疑似检测分类模型的训练与验证

1. 模型训练与验证概述

在模型训练和验证过程中，我们会进行一系列操作来优化模型性能并评估其效果。训练过程主要包括计算损失、反向传播和更新模型权重，而验证过程则侧重于评估模型在未见过数据上的表现。

训练循环的代码如下：

loss_var = self.computeBatchLoss(
    batch_ndx,
    batch_tup,
    train_dl.batch_size,
    trnMetrics_g
)
loss_var.backward()
self.optimizer.step()
self.totalTrainingSamples_count += len(train_dl.dataset)
return trnMetrics_g.to('cpu')

与之前章节的训练循环相比，主要有以下差异：
- trnMetrics_g 张量在训练期间收集详细的每类指标，这对于大型项目很有帮助。
- 不直接迭代 train_dl 数据加载器，而是使用 enumerateWithEstimate 提供预计完成时间。
- 实际的损失计算被推到 computeBatchLoss 方法中，便于代码复用。

2. computeBatchLoss 函数

computeBatchLoss 函数由训练和验证循环调用，用于计算