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

在深度学习中，训练和验证分类模型是构建有效模型的关键步骤。本文将详细介绍一个用于检测疑似肿瘤的分类模型的训练和验证过程，包括训练循环、损失计算、验证循环以及性能指标输出等方面。

1. 训练模型

训练模型的核心代码如下：

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')

这段代码的主要流程如下：
1. 调用 computeBatchLoss 函数计算当前批次的损失。
2. 调用 backward 方法进行反向传播，计算梯度。
3. 调用 optimizer.step 方法更新模型的权重。
4. 更新训练样本的总数。
5. 将训练指标张量转移到 CPU 上并返回。

与之前章节的训练循环相比，主要有以下差异：
- trnMetrics_g 张量在训练过程中收集详细的每类指标，有助于深入了解模型的行为。
- 不直接迭代