31、疑似肿瘤分类模型的训练与设计

疑似肿瘤分类模型的训练与设计

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。从经验来看，使用这些值的 SGD 在很多项目中都表现不错，如果一开始效果不好，也很容易尝试 0.01 或 0.0001 等其他学习率。

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。在后续的工作中，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，但在本文中，除了可能将 torch.optim.SGD 替换为 torch.optim.Adam 外，理解这些选择的权衡涉及的内容过于高级。

2 数据加载器的使用

2.1 数据转换

之前构建的 LunaDataset 类，是连接原始数据和 PyTorch 所需张量数据的桥梁。例如， torch.nn.Conv3d 需要五维输入：(N, C, D, H, W)，分别表示样本数量、每个样本的通道数、深度、高度和宽度，这与 CT 提供的原生 3D 数据不同。

在 LunaDataset.__getitem__ 中， 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 CT