1. 数据的“高清化”处理图片尺寸变大：之前的任务（MNIST/CIFAR）图片都很小（28x28 或 32x32）。本期处理的是医疗影像，细节很重要，所以图片尺寸统一调整为 224x224。注意点：在定义模型输入层 (input_shape) 和加载数据 (image_size) 时，都要写成 (224, 224, 3)。2. 数据加载管道的优化 (Data Pipeline)为了让训练跑得更快

Conv 模块 (CBL)： 这是最基础的砖头。结构：Conv2d + BatchNorm + SiLU (激活函数)。注意：这里用的激活函数是 SiLU (Swish)，比以前用的 ReLU 更平滑，效果更好，是 YOLOv5 的标配。Bottleneck 模块 (残差块)： 这是为了让网络“变深”而不退化的关键。原理：借鉴了 ResNet 的 Shortcut (短路连接) 思想。输入 x 经

epochs = 20 # 跑 20 轮# 告诉“辅导员”，只“辅导”那个“新头”！1. 迁移学习 (Transfer Learning)这里引入了预训练模型 (Pre-trained Model)。我们加载了 models.resnet34(pretrained=True)， 这意味着我们“借用”了一个已经在 ImageNet (一个巨大的数据集) 上训练好的“超级模型”。这能极大地提高训练速度