31、疑似肿瘤分类模型的训练与实现

疑似肿瘤分类模型的训练与实现

1. 预训练设置与初始化

在选择优化器时，随机梯度下降（SGD）通常是一个安全的起点。虽然有些问题可能不太适合使用SGD，但这种情况相对较少。同样，学习率设为0.001和动量设为0.9也是比较安全的选择。根据经验，使用这些值的SGD在很多项目中都能取得不错的效果。如果一开始效果不佳，也很容易尝试将学习率调整为0.01或0.0001。

不过，这些值并不一定是最适合我们具体场景的。系统地尝试不同的学习率、动量、网络大小和其他类似配置设置的过程称为超参数搜索。在后续内容中，我们需要先解决一些更明显的问题，之后再对这些值进行微调。除了SGD，还有其他更复杂的优化器可供选择，但除了可能将 torch.optim.SGD 替换为 torch.optim.Adam 外，理解这些选择所涉及的权衡对于当前来说过于复杂。

2. 数据加载器的使用与配置

2.1 LunaDataset类的作用

LunaDataset类充当了我们原始数据与PyTorch构建模块所需的更结构化张量世界之间的桥梁。例如， torch.nn.Conv3d 期望的是五维输入：(N, C, D, H, W)，即样本数量、每个样本的通道数、深度、高度和宽度，这与我们CT扫描提供的原生3D数据不同。

在LunaDataset类的 __getitem__ 方法中，我们使用了 ct_t.unsqueeze(0) 调用，为数据提供了第四维，即“通道”。RGB图像有三个通道，分别对应红、绿、蓝，而天