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

在训练和验证模型时，我们会进行一系列操作来更新模型权重并评估其性能。以下是训练过程的核心代码：

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，这只是一种风格选择。
- 实际的损失计算被推到 computeBatchLoss 方法中，有助于代码复用。

2. computeBatchLoss 函数

computeBatchLoss 函数由训练和验证循环调用，用于计算一批样本的损失，并记录模型输出的每个样本信息。以下是该函数的代码：