image_batch.cuda().repeat(1,3,1,1)

[Susu0812]

for epoch_num in iterator:
    for i_batch, sampled_batch in enumerate(trainloader):
        image_batch, label_batch = sampled_batch['image'], sampled_batch['label']
        image_batch, label_batch = image_batch.cuda().repeat(1,3,1,1), label_batch.cuda()
        outputs = model(image_batch)

你好，我想了解一下其中image_batch.cuda().repeat(1,3,1,1)，将输入图像通道C调整为3的意义在哪，是单纯的为了适应resnet的firstconv输入通道数吗？因为我了解大多数的做法是直接C为1输入到模型。

[HongkunSun]

是的，只是为了代码不报错。

[HongkunSun]

复现到我们的结果了吗？

[Susu0812]

复现到我们的结果了吗？

复现了你们的结果，上面提到的问题是在复现你们的结果后，想在我自己写的训练测试代码中复现遇到的，能想到的只能是你为了适应resnet的firsrconv输入通道数。在此基础上我不改动任何模型的代码训练测试出来的结果却出现了较大的差异，在ACDC中只有80左右的DSC。这个结果让我感到诧异，仔细检查发现我使用的优化器是adam，但这不足以造成这么大的结果偏差。

[HongkunSun]

你好，为了保持结果的可复现，你可以使用我们提供的代码，包括train，trainer(SGD, 0.01)，test等等，直接在终端输入我们提供的训练指令即可。ACDC数据集没有统一的数据格式，包括数据集划分和数据预处理，你可以复现一下synapse数据集。Adam适合的学习率较小，例如0.001,0.0001。SGD比较大，例如0.01,0.05.

[Susu0812]

你好，为了保持结果的可复现，你可以使用我们提供的代码，包括train，trainer(SGD, 0.01)，test等等，直接在终端输入我们提供的训练指令即可。ACDC数据集没有统一的数据格式，包括数据集划分和数据预处理，你可以复现一下synapse数据集。Adam适合的学习率较小，例如0.001,0.0001。SGD比较大，例如0.01,0.05.

是的，Synapse数据集我也使用您的方法复现成功，结果也足够满意，非常感谢您所贡献的工作。对于刚才我遇到的问题我会进一步解决，如有值得探讨的话题我会再留言。另外我对AVT数据集的实验也非常感兴趣，期待您能够提供后续数据集。