手把手教你写FWI代码0：前言

目录

代码讲解的思路将从这样的方式展开：

1、数据加载

2、FWI网络模型

3、训练网络模型

4、测试网络模型

5、参数定义

6、工程文件结构

学习新东西的过程，应该是自顶向下，先给一个整体思路，再补充具体细节。更好的是给一个简单的例子，再迁移出特定场景下的困难的例子，最终再丰富这个困难例子的功能。

每一个故事的开始总是很美好，理想的情况下，我希望按照上面的思路完成代码讲解。但现实总是很骨感，因为学习者希望尽快的缩短听我嘚嘚的时间，因此直接就从困难的丰富的直接可用的例子开始，再辅以每一步为什么需要这样做的动机，应该也是很不错的。

希望这个2小时速成的例子，可以让大家的代码入门不再困难。

最后再送两句话给大家：

只有觉到悟到，才是自己的！2小时速成只是起点，需要大量的实践和试错，才能真正成为自己的知识！

要学会用调试手段观察中间过程！（闵老师教我的）每一个科研coder都是孤单的，因为没有人和你写一模一样的代码，你甚至无法判断它是对是错，那只有看每一步的结果是否符合自己的预期，才能给出相对客观的评价！

代码讲解的思路将从这样的方式展开：

1、数据加载

数据加载设计类型转换和处理操作。

1）类型转换。数据加载的最终目标是将躺在硬盘中的数据（numpy类型），放到GPU上（tensor类型），因此涉及到类型转换。

2）数据预处理。是否做归一化、翻转等操作。采取哪种处理方式，选择依据是什么？

3）关注数据维度的变换。往往数据维度不合适是出错的原因。

2、FWI网络模型

1）FWI网络的形状是什么？编解码器？Unet？ 对抗网络？

2）网络中每一个组件是如何选择的？是否需要批归一化？激活函数ReLU/LeakyReLU？跳跃连接？残差级联？解码时上采样/转置卷积？是否加注意力模块？

3）搭建网络时，如何查看网络中通道数、宽、高变化？

注意：搭建网络是最难、种类最多的部分，大家的创新基本上都在这里。建议多看多借鉴地震数据处理、全波形反演论文中别人的模型，往往这些都是成功的经验，可能适合地震数据和全波形反演的组件/结构就那么几个。

3、训练网络模型

理论上，为什么训练网络模型后，它的性能就越来约好了呢？因为有损失函数，每一次的训练都希望损失函数越来越小 ，通过反向传播，模型（参数）被更新的越来越好。

1）一般，全波形反演常用的损失函数是，L1 和 L2损失函数。

2）在损失函数极小化的过程中，也可能会陷入局部最优解。这时候我们还要看是不是数据的问题，或者需要改进损失函数，或者训练策略。总之，要让损失函数下坡的过程尽可能顺利且结果正确。

3）训练时需要保存中间结果，如模型参数（方便中断后继续训练）、损失函数（观察训练过程）、一个好用的可视化工具是TensorBoard。

4、测试网络模型

测试这部分，涉及两个工作，计算评价指标和显示图像结果。

1）计算评价指标。常常使用（numpy类型）进行计算并保存，而在模型上炮的数据（tensor类型），这里又需要做数据类型转换。常见评价指标，SSIM、MSE、MAE。

2）显示图像，没啥好说的，直接抄代码就是。

5、参数定义

参数定义涉及参数形式和参数内容。

1）参数定义形式也是困扰我很久的一个部分，有的作者喜欢写pathConfig.py、paramConfig.py；

也有的作者通过导入对象argparse，将参数设置写到了训练测试过程。实际证明，在大规模程序开发中，后者更加方面，免去了写一大堆if else的苦恼。

2）参数内容涉及：路径（数据路径、模型路径、损失函数日志路径、测试评价指标结果路径）、模型（模型名称、是否归一化、插值类型、时间空间采样率）、训练（batchsize、epoch、学习率、加载数据线程数、是否可视化、打印频率、是否reuse模型训练）、测试（batchsize、加载数据线程数、是否可视化、缺失道、噪声）

6、工程文件结构

代码地址：GitHub - lanl/OpenFWI: A collection of codes with OpenFWI project

文章参考：Deng C, Feng S, Wang H, et al. OpenFWI: Large-scale Multi-structural Benchmark Datasets for Full Waveform Inversion[J]. Advances in Neural Information Processing Systems, 2022, 35: 6007-6020.

本次代码的讲解基于以上工程，原因：就是人家的代码规范很不错，有公开数据集、配套论文。

包含了三个网络；FCNVMB、InversionNet、VelocityGAN。

现在，学习之旅正式开始。