ALBlack的博客

Deepwave是一个强大的使用有限差分法实现波动方程的正演和数值迭代反演的Python库.相比于一般的基于Matlab或者常规代码实现的正演或者数值迭代反演, Deepwave利用了Pytorch可调用GPU进行反向传递和求导的特点, 具备更强大的运算性能. 本文讲介绍Deepwave在声波正演与全波形反演中的简单应用例子.

上周讨论的前向和反向传播算法可以推广到任意深度神经网络的微分。对于一般的网络来说，可能无法逐层分割，但仍然可以用流图来表示。因此，反向传播是通过从输出神经元开始、向后传递信息并在输入处结束来执行的。更准确地说，给定从Rd到R的神经网络fx;θ映射图，假设总共有 K 个神经元，我们用x1​xd​和Nd1​NdK​标记输入。为了方便起见，神经元被标记为使得有向边总是从小索引到大索引。我们用wij​表示从神经元Ni​（或输入xi​）到神经元N。

通过三篇文章分析多任务学习在去噪中的应用

折射层析成像法是通过对初至波进行射线追踪反演, 构建相应的速度层析成像图, 由此可以确定地质体中速度异常体的大小、位置、物性等参数

Multiscale Data-Driven Seismic Full-Waveform Inversion With Field Data Study》2021年底的论文, 发表于TGRS 2022. 其实也算比较新的一篇味道很纯粹的DL-FWI.本周阅读的论文是从多尺度 (multi-scale) 角度来训练DL-FWI. 在之前几个月刚接触DL-FWI的时候, 遇到过类似的设计思路. 除了模型这道主菜外, 这篇论文也加了一些味道奇特的作料

这周继续深入阅读一篇DL-FWI论文:《Data-Driven Seismic Waveform Inversion: A Study on the Robustness and Generalization》并且通过已有代码来分析实现细节. 最终复现.

深度剖析论文《Deep-Learning Full-Waveform Inversion Using Seismic Migration Images》的方法体系, 构思复现的可能 (但是不一定真要去复现), 探索RTM在实际DL-FWI中的应用潜力.

1. Python复现简单的声波正演.2. 利用简单的声波正演手段实现RTM.3. Python复现包含复杂的边界吸收条件的弹性波正演.4. 试着看: 复杂的弹性波正演可否实现RTM.

深度学习的全波形反演(FWI)研究之路上的每周学习记录

这个文章本质是记录用, 当然也有些个人理解, 主要是是多标签和极限多标签有关的评价指标记录和学习, 如有问题欢迎指正!

研一学渣, 不久刚投了篇论文, 但是还在与审稿人做斗争. 不管怎么说, 先把当时写论文的一些经历和方法论文记录下来, 免得时间久了遗忘了.同时为第二篇论文留下些基石, 至少不会是从零开始的论文写作生活~

论文 Yashoteja Prabhu and Manik Varma, FastXML: A Fast, Accurate and Stable Tree-classifier for eXtreme Multi-label Learning.的分析. 以及这篇论文的源码的一些关键结构的分析. 涉及多标记与极限多标签的自学思考内容

以iris数据为例教搭建了一个简单的BP神经网络, 并且介绍了部分代码的含义, 进行了基本的测试. 最后, 博主将结果同曾经没有用轮子写的BP网络代码的结构进行了横向比对, 体现出Pytorch编程实现神经网络的快捷与便利..........

原文: Zhang, M.-L., & Wu, L. (2015). LIFT: Multi-label learning with label-specific features. IEEE Transactions on Pattern Analysis and Machine Intelligence, 37, 107–120. 本文主要是我对于初读LIFT的一些自己的笔记与感悟

原文: Huang, J., Qin, F., Zheng, X., Cheng, Z.-K., Yuan, Z.-X., Zhang, W.-G., & Huang, Q.-M. (2019). Improving multi-label classification with missing labels by learning label-specific features. Information Sciences, 492, 124–146. 本文主要是对这个论文进行初步阅读的感受和观点....

原文: Yue Zhu, James T. Kwok, Zhi-Hua Zhou, Multi-Label Learning with Global and Local Label Correlation, IEEE Transactions on Knowledge and Data Engineering, 2018 (30), 1081–1094. 记录下读论文的一些体会

本篇文章是基于导师与师姐发布的论文: Xue-Yang Min, Kun Qian, Ben-Wen Zhang, Guojie Song, and Fan Min, Multi-label active learning through serial-parallel neural networks, Knowledge-Based Systems (2022) 相关论文内容可以自行查看, 本文也是主要对于文章算法进行学习和分析, 最后对代码进行学习与自我理解学习.........

本文加上代码一共6万多字, 讲述了CNN的基本概念与实现原理, 并且分析了它的学习的逻辑, 做数学推导, 得到一些CNN的学习公式. 最后通过原理设计了完整了CNN代码

注意：本篇为50天后的Java自学笔记扩充，内容不再是基础数据结构内容而是机器学习中的各种经典算法。这部分博客更侧重于笔记以方便自己的理解，自我知识的输出明显减少，若有错误欢迎指正！