31、训练用于检测疑似肿瘤的分类模型

训练用于检测疑似肿瘤的分类模型

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、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，这些值不一定是最适合我们的用例的。系统地尝试不同的学习率、动量、网络大小和其他类似的配置设置，这被称为超参数搜索。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 之外，理解其中的权衡对于当前来说过于复杂。

2. 数据加载器的使用

2.1 数据转换

我们之前构建的 LunaDataset 类，充当了原始数据与PyTorch构建模块所需的结构化张量数据之间的桥梁。例如， torch.nn.Conv3d 期望的是五维输入：(N, C, D, H, W)，分别代表样本数量、每个样本的通道数、深度、高度和宽度，这与CT扫描提供的原生3D数据不同。

在 LunaDataset.__getitem__ 中， ct_t.unsqueeze(0) 调用为我们的数据提供了第四维，即“通道”。RGB图像有三个通道，分别对应红、绿、蓝；而天文