一、进度概述

        1、inversionnet_train 试运行——成功

二、详情

        1、inversionnet_train 试运行

        在经历了昨天的事故后，今天最终成功运行了 inversionnet_train，运行结果如下：

        经观察，最开始 loss 值大概为 0.5 左右

        随着训练量的增多，loss 值逐渐减小

        在 700 组左右，减少到 e-2 的数量级

        在 5600 组（30个epoch）左右，减少到 e-3 的数量级 

        最终，loss 趋于 e-4 的数量级

        论文中用30epoch跑到e-3左右
        指标如下： 

补充几点：

        （1）关于这个，之前有提及过，但是在这次配置环境时忘了，记录一下。

        报错原因：以前的 torch.nn.functional 叫 F，之前用的库有这个东西，现在没有了，所以在报错文件中加上以下代码即可

import torch.nn.functional as F

        （2）关于 TrainSize

         代码里默认用48000的 数据进行训练，但不是每个数据集都有这么多数据，需要根据数据集的具体情况做更改。
        在 FlatVal_A 中，共有60个文件，每个文件中有500组数据，故一共有30000组。按照 8:2 分为数据集与测试集。

        （3）关于 Training Loss

        loss 应该达到 e-4 的数量级，具体含义需要等到学习深度学习。这里的图是用 inversionnet_train_light 跑出来的，只用了 500 组数据（即一个 .npy 文件），对比 inversionnet_train，可以明显发现 loss 上的差距（这里只达到了 e-1 数量级），这表明训练集本身对模型还是有较大的影响的，在应用过程中应该注意训练集的量。

        （4）关于批量更改文件

        在使用一个程序前，一定仔细阅读 readme 相关文件，里面会说明相关路径配置以及注意事项，这个问题问出来就显得很不专业。
        选用数据集时，要更改对应选择。

        在批量命名文件时，写了一个脚本，免去了大量体力劳动，这点还是可以的。详细可以参考以下文章：
批量修改文件名方法合集-CSDN博客

最后吐槽一下：
        数据集是真的大，网也是真的烂，下了好久，早知如此，当初就应该配个更大宽带的网。还有就是，跑这么个模型真不容易，负荷挺高的。

---

后记

        关于 inversionnet_train 和 DL_FWI 的一些理解：（可能存在差错）

        inversionnet_train 理论上是用前48个文件进行训练，相当于期末考试前的测试卷，答了一遍有成绩能对答案，用后12个文件来衡量网络模型的性能，相当于期末考试的考试卷，只有成绩没有答案。
        InversionNet 的极限只能使 mse 到 e-4 次方，这个网络只能做到这么好，制造更好的网络就是要研究的内容了。
        对于结果的评估是分别比较，比如分别对比网络在flat上的成绩和在cruve上的，一般不会直接把不同数据集的相对比。打个比方：如果你只让他练习数学题，他的语文成绩不会太好，但你要是让他练习语文，那他的语文其实能整的不错的。这就是训练集本身的影响

        搞DL-FWI就是看谁设计的网络更真实，比较谁更真实就是用诸如mse这些函数的值来进行。
        研究点在于：
        （1）新的模型，然后用不同数据集来比较网络的性能。
        （2）当然这个新也不一定是完全全新的，比如看到有一个网络本来是用来处理医学的，拿来改改发现它搞FWI也不错，这也算是新的创新点。
        （3）如果真的能加入别人都没有的设计，并且表现还比别人的好，这就是顶刊水平了。