针对多类疾病诊断的 X 射线图像分类优化学习：加速计算策略

基于 X 射线图像的疾病诊断旨在确保识别样本中疾病的精确性，这一任务面临诱发假阳性和假阴性之间的挑战。假阳性会引入错误识别不存在疾病的风险，导致误诊并影响患者护理质量。相反，假阴性则可能忽略真实异常，导致治疗和干预延迟，进而造成不良患者后果。克服这些挑战的紧迫性促使不断努力提升 X 射线图像分析算法在计算框架内的精度和可靠性。本研究引入了针对 X 射线图像多类疾病诊断所定制的修改版预训练 ResNet 模型，集成了先进的优化策略以减少训练和推理任务的执行运行时间。主要目标是通过 PyTorch、CUDA、混合精度训练和学习率调度器的加速实现，实现显著的性能提升。虽然结果显示正常训练与 CUDA 加速训练之间的执行运行时间存在显著差异，但各种训练优化模式之间几乎没有差异。该研究在减少大型模型训练执行时间方面取得了重要进展。此外，我们探索了使用 MPI4Py 实现有效的并行数据处理，以在多个节点上分布梯度下降优化，并利用多进程加速大数据集的数据预处理。