FCNVMB_paper_with_code1代码部分解释

——基于pytorch ，python3.8

1. LibConfig

——库文件，导入包

2. ParamConfig

——定义参数。

        ReUse每次是否重新训练；DataDin地震数据维度；ModelDin速度模型维度；data_dsp_blk输入的下采样率；label_dsp_blk输出的下采样率；dh空间间隔。

3. PathConfig

——路径设置

4. forward.py

——使用正演方式生成地震数据，进行训练 

eng = matlab.engine.start_matlab()

• 将 matlab.engine 包导入

• 通过调用 start_matlab 启动新的 MATLAB进程。start_matlab 函数返回 Python 对象 eng，您可以通过该对象传递数据和调用由 MATLAB 执行的函数。

5. func

        5.1. DataLoad_Test.py

——加载测试数据

        5.2. DataLoad_Train.py

——加载训练数据。

5.2.1. scipy.io.loadmat("FilePath")：

        读取路径为"FilePath"的.mat文件，函数返回值为字典类型dict。之后还需要通过后续操作将值提取出来（字典操作来提取键值对的值）。

        关于为什么scipy.io.loadmat("FilePath")的结果是一个字典，这是因为一个.mat文件中存在多个变量，每一个变量名都对应相应的数据，也就是变量名和变量值的键值对。

5.2.2 str( )函数：

——能将int类型、float类型的数据转换成字符串类型。

5.2.3. reshape（）函数：

——是数组对象中的方法，用于在不更改数据的情况下为数组赋予新形状。

5.2.4. np.float32():

——将输入转换为一个numpy.float32类型的NumPy数组。

5.2.5. range()函数：

Python中的for i in range（range()函数的for循环）如何使用，详细介绍_for in range循环-CSDN博客

5.2.6. np.append(arr, values, axis=None) 

参数：

• arr:需要被添加values的数组
• values:添加到数组arr中的值
• axis:可选参数，如果axis没有给出，那么arr，values都将先展平成一维数组。注：如果axis被指定了，那么arr和values需要同为一维数组或者有相同的shape，否则报错：ValueError: arrays must have same number of dimensions

补充对axis的理解：

1. axis的最大值为数组arr的维数-1，如arr维数等于1，axis最大值为0；arr维数等于2，axis最大值为1，以此类推。

2. 当arr的维数为2(理解为单通道图)，axis=0表示沿着行增长方向添加values；axis=1表示沿着列增长方向添加values。

3. 当arr的维数为3(理解为多通道图)，axis=0，axis=1时同上；axis=2表示沿着图像深度增长方向添加values。

返回：添加了values的新数组。

        5.3. UnetModel.py

——网络模型名称，设计网络如下：

​

                5.3.1. 卷积块部分unetConv2，中级操作

        一些卷积组合(两次红色箭头)被封装为: unetConv2(…)（卷积->BN->RELU->卷积->BN->RELU）。代表三种操作的集合（conv，BN，ReLU），特征图的尺寸并不会发生改变，相当于特征的重整合，为接下来的尺寸变化做准备。

                5.3.2. 下采样unetDown，高级操作

        表示编码和解码的高级操作被封装为unetDown(…)和unetUp(…)，即下采样和上采样，这些操作的组合顺序在图中用不同的色区分割。这两个高级操作是由[两次中级操作]和[一次低级操作如最大池化、反卷积、1*1卷积]

                5.3.3. 上采样unetUp，高级操作

                5.3.4. UnetModel

​

        5.4. Utls.py

——经常用到的函数、工具等。ssim评价指标；PSNR信噪比

5.4.1. ig, ax = plt.subplots()：

        用来创建总画布/figure“窗口”的，有figure就可以在上边（或其中一个子网格/subplot上）作图了。

在matplotlib中，有两种画图方式：

• plt.***系列。通过plt.xxx来画图，其实是取了一个捷径。这是通过matplotlib提供的一个api，这个plt提供了很多基本的function可以让你很快的画出图来，但是如果你想要更细致的精调，就要使用另外一种方法。
• fig, ax = plt.subplots()：这个就是正统的稍微复杂一点的画图方法了。指定figure和axes，然后对axes单独操作。

Figure：fig = plt.figure(): 可以解释为画布。

axes：理解为你要放到画布上的各个物体。如果你的figure只有一张图，那么你只有一个axes。如果你的figure有subplot，那么每一个subplot就是一个axes。

 Axis：ax.xaxis/ax.yaxis: xy坐标轴。 每个坐标轴由竖线和数字组成的，每一个竖线其实也是一个axis的subplot，因此ax.xaxis也存在axes这个对象。对这个axes进行编辑就会修改xaxis图像上的表现。

5.4.2. plt.plot(x,y)函数：

        是matplotlib.pyplot模块下的一个函数, 用于画图，它可以绘制点和线, 并且对其样式进行控制。x为x轴数据, y为y轴数据。

5.4.3. gaussian：

        圆对称的高斯加权公式 ，标准差为1.5，和为1，来估计局部平均值，标准差，协方差。

        不同于MSE, SSIM以窗口的局部特征，在加上高斯核，相当于引入了平滑先验，符合人对视觉的感知。在用MSE作为loss的时候，可以额外加入SSIM，效果会更好。

5.4.4. SSIM：

        取值范围[-1, 1], 具有对成性，边界性，唯一最大性（当且仅当x=y时SSIM=1），是一种距离公式。

        SSIM 主要考量图片的三个关键特征：亮度（Luminance）, 对比度（Contrast）, 结构 (Structure)。

        当需要衡量一整张图片的质量，经常使用的是以一个一个窗口计算SSIM然后求平均。

        当我们用一个一个block去计算平均值，标准差，协方差时，这种方法容易造成 blocking artifacts, 所以在计算MSSIM时，会使用到 circular-symmetric Gaussian weighting function圆对称的高斯加权公式  标准差为1.5，和为1，来估计局部平均值，标准差，协方差。

6. FCNVMB_train.py

——网络训练使用的是tensor数据

        在用pytorch训练模型时，通常会在遍历epochs的过程中依次用到三个函数，这三个函数的作用是先将梯度归零（optimizer.zero_grad()），然后反向传播计算得到每个参数的梯度值（loss.backward()），最后通过梯度下降执行一步参数更新（optimizer.step()）。

6.1. optimizer = torch.optim.Adam(net.parameters(), lr=LearnRate)

——构造一个优化器对象optimizer，用来保存当前的状态，并能够根据计算得到的梯度来更新参数。 

6.2. load_state_dict()：

——加载模型参数。用于将预训练的参数权重加载到新的模型之中。

注：stat_dict是一个字典，该字典包含每一层的tensor类型的可学习参数。只有包含可学习参数的网络层才能将其参数映射到state_dict字典中，此外，stat_dict也包含优化器的state和超参数。

6.3. 续行符 \ ：

        在编码时，每一行的代码数量是有限制的，而很多时候所要表达内容一行并不能完整表达，这时就需要续行符来对不同行的内容进行连接，使其作为完整的一行内容来输出。

6.4. data_utils.TensorDataset()：

        基于一系列张量构建数据集。这些张量的形状可以不尽相同，但第一个维度必须具有相同大小，这是为了保证在使用 DataLoader 时可以正常地返回一个批量的数据。

6.5. scipy.io.loadmat("FilePath")：

        读取路径为"FilePath"的.mat文件，函数返回值为字典类型dict。之后还需要通过后续操作将值提取出来（字典操作来提取键值对的值）。

        关于为什么scipy.io.loadmat("FilePath")的结果是一个字典，这是因为一个.mat文件中存在多个变量，每一个变量名都对应相应的数据，也就是变量名和变量值的键值对。

6.6. torch.from_numpy()：

        将生成的数组（array）转换为张量Tensor，且二者共享内存，对张量进行修改比如重新赋值，那么原始数组也会相应发生改变。

6.7. PyTorch中的TensorDataset：

——对数据进行封装。

    torch.utils.data 中的 TensorDataset 基于一系列张量构建数据集。这些张量的形状可以不尽相同，但第一个维度必须具有相同大小，这是为了保证在使用 DataLoader 时可以正常地返回一个批量的数据。

        TensorDataset 可以用来对 tensor 进行打包，就好像 python 中的 zip 功能，将输入的tensors捆绑在一起组成元组。该类通过每一个 tensor 的第一个维度进行索引。因此，该类中的 tensor 第一维度必须相等. 另外：TensorDataset 中的参数必须是 tensor。

注：torch.utils.data.TensorDataset继承父类torch.utils.data.Dataset，不需要对类TensorDataset的函数进行重写。

元组、列表、数组的差别_数组,元组,列表的区别_小手指动起来的博客-CSDN博客

6.8. data_utils.DataLoader（）：

        是PyTorch中加载数据集的核心。DataLoader 返回的是可迭代的数据装载器(DataLoader)，使用DataLoader的好处是可以快速的迭代数据。

        主要是对数据进行batch的划分，除此之外，特别要注意的是输入进函数的数据一定得是可迭代的。如果是自定的数据集的话可以在定义类中用def__len__、def__getitem__定义。 

torch.utils.data.DataLoader参数：

• dataset (Dataset) – 加载数据的数据集。
• batch_size (int, optional) – 每个batch加载多少个样本(默认: 1)。
• shuffle (bool, optional) – 设置为True时会在每个epoch重新打乱数据(默认: False)。

6.9. time.time()：

——返回当前时间的时间戳。

6.10. enumerate(trainloader, 0)：

        用于可迭代、可遍历的数据对象组合为一个索引序列，同时列出数据和数据下标。上面代码的0表示,索引从0开始，假如为1的话，那索引就从1开始。

6.11. PyTorch: view( )：

        pytorch中的view( )函数相当于numpy中的resize( )函数，都是用来重构(或者调整)张量维度的。

6.12. pytorch中的MSELoss函数：

        均方误差（mean square error, MSE），是反应估计量与被估计量之间差异程度的一种度量，设t是根据子样确定的总体参数θ 的一个估计量，的数学期望，称为估计量t的均方误差。

常用于回归问题的损失函数，它计算预测输出和实际输出之间的均方误差，即预测值与实际值之差的平方的平均值。MSE Loss对于数据的高斯分布假设较为合理，适用于预测连续变量的任务。

torch.nn.MSELoss(size_average=None, reduce=None, reduction='mean')

参数解释：

• size_average（可选，默认为 None）：这是一个布尔值或整数，用于指定是否对所有输入批次的输出进行平均。如果设置为 True，则对所有输入批次的输出进行平均。如果设置为整数 n，则对前 n 个输入批次的输出进行平均。如果设置为 None，则根据 reduce 参数的值决定是否进行平均。
• reduce（可选，默认为 None）：这是一个布尔值，用于指定是否对输入批次的输出进行减少。如果设置为 True，则对输入批次的输出进行减少，返回一个标量。如果设置为 False，则返回每个输入批次的输出的张量。如果 size_average 和 reduce 都为 None，则根据 reduction 参数的值决定是否进行减少和平均。
• reduction（可选，默认为 ‘mean’）：这是一个字符串，用于指定如何对输入批次的输出进行减少。可选的值有 ‘mean’、‘sum’ 和 ‘none’。如果设置为 ‘mean’，则对输入批次的输出进行平均。如果设置为 ‘sum’，则对输入批次的输出求和。如果设置为 ‘none’，则不进行减少，返回每个输入批次的输出的张量。

补充：在pytorch深度学习中，损失函数（Loss Function）是一个用于计算模型预测输出和实际输出之间的误差的函数。它用于衡量模型的性能，并通过反向传播算法更新模型的权重和参数，以减小预测输出和实际输出之间的误差。损失函数loss定义了模型优劣的标准，loss越小，模型越好。

6.13. .item()的用法

        用于在只包含一个元素的tensor中提取值，否则的话使用.tolist()。即item()的作用是取出单元素张量的元素值并返回该值，保持该元素类型不变。

使用item()函数取出的元素值的精度更高，所以在求损失函数等时我们一般用item（）。

在训练时统计loss变化时，会用到loss.item()，能够防止tensor无线叠加导致的显存爆炸。

6.14. numpy.isnan()函数

        用于判断一个数组中的元素是否为NaN（not a number）。NaN是一个特殊的浮点数，用于表示不可能的数值，例如0/0、∞/∞等。

6.15. loss.backward()：

        将损失loss 向输入侧进行反向传播，同时对于需要进行梯度计算的所有变量x (requires_grad=True)，计算梯度 ，并将其累积到梯度x.grad中备用，即： 

6.16. format()：

        用于格式化方法，即用来控制字符串和变量的显示效果。 在没有参数序号时，参数是按顺序使用的。可以通过format()参数的序号指定参数的使用，参数从0开始编号

6.17. 训练情况分析：

1.  TrainSize10_Epoch20_BatchSize5_LRO.001_epoch20.——预测图全紫，不显示。效果不合格。
2.  TrainSize20_Epoch20_BatchSize5_LRO.001_epoch20.——能显示，效果不好
3. TrainSize30_Epoch20_BatchSize5_LRO.001_epoch20.——能显示，效果不好
4. 工作站上进行，效果ok

需要大量训练数据。

7. FCNVMB_test 

7.1. np.zeros函数的作用：

zeros(shape, dtype=float, order='C')

初始化一个矩阵，返回来一个给定形状和类型的用0填充的数组；

7.2. model.eval( ) ：

        不启用 BatchNormalization 和 Dropout。

        神经网络模块存在两种模式，train模式（net.train())和eval模式（net.eval())。一般的神经网络中，这两种模式是一样的，只有当模型中存在dropout和batchnorm的时候才有区别。

        一旦我们用测试集进行结果测试的时候，一定要使用net.eval()把dropout关掉，因为这里我们的目的是测试训练好的网络，而不是在训练网络，没有必要再dropout和再计算BN的方差和均值(BN使用训练的历史值)。

        训练完train_datasets之后，model要来测试样本了。在model(test_datasets)之前，需要加上model.eval(). 否则的话，有输入数据，即使不训练，它也会改变权值。这是model中含有batch normalization层所带来的的性质。

        eval（）时，pytorch会自动把BN和DropOut固定住，不会取平均，而是用训练好的值。不然的话，一旦test的batch_size过小，很容易就会被BN层导致生成图片颜色失真极大。eval（）在非训练的时候是需要加的，没有这句代码，一些网络层的值会发生变动，不会固定，你神经网络每一次生成的结果也是不固定的，生成质量可能好也可能不好。

7.3. Variable：

        是一种可以不断变化的变量，符合反向传播，参数更新的属性。pytorch的variable是一个存放会变化值的地理位置，里面的值会不停变化

8. 出现的问题：

1. UserWarning: size_average and reduce args will be deprecated, please use reduction='mean' instead.   warnings.warn(warning.format(ret))

2.