UWSL-APP

介绍

神经网络水下声源定位APP是一个使用matlab app生成数据集，使用python app训练模型进行定位的APP。
gitee地址: https://gitee.com/open-ocean/uwsl-app/tree/develop/ gitee链接
我们在不同海深的数据集上进行了训练和测试，定位结果如下表所示

模型名称运行选项权重文件路径阵元数频点数批次大小训练周期数据集路径学习率保存路径保存文件名运行时间备注训练误差-距离训练误差-深度测试平均准确度-距离测试平均准确度-深度测试平均误差-距离测试平均误差-深度
mtl_cnntrain-61513250E:/2.0_UWSL_Datasets/test1e-3E:/2.0_UWSL_Datasets/testmtl_cnn_test_epoch_50.002025-02-07 13:54:02.217284d1000.460 km0.603 m83.0 %90.7 %0.813 km2.120 m
mtl_unettrain-61513250E:/2.0_UWSL_Datasets/test1e-3E:/2.0_UWSL_Datasets/testmtl_unet_test_epoch_50.002025-02-07 13:55:48.091595d1000.353 km0.337 m87.7 %89.4 %0.766 km2.272 m
mtl_unet_cbamtrain-61513250E:/2.0_UWSL_Datasets/test1e-3E:/2.0_UWSL_Datasets/testmtl_unet_cbam_test_epoch_50.002025-02-07 13:57:28.823126d1000.401 km0.285 m83.2 %88.4 %0.768 km2.502 m
xceptiontrain-61513250E:/2.0_UWSL_Datasets/test1e-3E:/2.0_UWSL_Datasets/testxception_test_epoch_50.002025-02-07 13:59:34.321049d1000.345 km0.698 m86.3 %89.3 %0.785 km3.058 m
mtl_cnntrain-101513250E:/2.0_UWSL_Datasets/1200m1e-3E:/2.0_UWSL_Datasets/1200mmtl_cnn_1200m_epoch_50.002025-02-08 18:49:14.167180d12000.195 km0.778 m77.3 %69.9 %1.045 km6.048 m
mtl_unettrain-101513250E:/2.0_UWSL_Datasets/1200m1e-3E:/2.0_UWSL_Datasets/1200mmtl_unet_1200m_epoch_50.002025-02-08 18:49:44.237236d12000.159 km0.733 m83.8 %80.7 %0.737 km3.236 m
mtl_unet_cbamtrain-101513250E:/2.0_UWSL_Datasets/1200m1e-3E:/2.0_UWSL_Datasets/1200mmtl_unet_cbam_1200m_epoch_50.002025-02-08 18:50:05.161912d12000.172 km0.945 m82.8 %72.2 %0.793 km3.533 m
xceptiontrain-101513250E:/2.0_UWSL_Datasets/1200m1e-3E:/2.0_UWSL_Datasets/1200mxception_1200m_epoch_50.002025-02-08 18:50:25.447641d12000.198 km0.818 m84.3 %71.9 %0.785 km3.446 m
mtl_cnntrain-201513250E:/2.0_UWSL_Datasets/2200m1e-3E:/2.0_UWSL_Datasets/2200mmtl_cnn_2200m_epoch_50.002025-02-09 08:47:12.563411d22000.677 km0.920 m80.7 %69.8 %3.421 km7.710 m
mtl_unettrain-201513250E:/2.0_UWSL_Datasets/2200m1e-3E:/2.0_UWSL_Datasets/2200mmtl_unet_2200m_epoch_50.002025-02-09 12:02:26.813284d22000.702 km1.381 m82.4 %71.6 %3.584 km5.685 m
mtl_unet_cbamtrain-201513250E:/2.0_UWSL_Datasets/2200m1e-3E:/2.0_UWSL_Datasets/2200mmtl_unet_cbam_2200m_epoch_50.002025-02-09 14:58:27.968796d22000.617 km1.266 m82.0 %72.5 %3.913 km4.815 m
xceptiontrain-201513250E:/2.0_UWSL_Datasets/2200m1e-3E:/2.0_UWSL_Datasets/2200mxception_2200m_epoch_50.002025-02-09 18:31:22.151742d22000.697 km1.034 m85.5 %76.3 %2.394 km5.048 m
mtl_cnntrain-201513250E:/2.0_UWSL_Datasets/3200m1e-3E:/2.0_UWSL_Datasets/3200mmtl_cnn_3200m_epoch_50.002025-02-12 22:17:31.182308d32001.493 km1.257 m59.3 %52.0 %20.377 km7.387 m
mtl_unettrain-201513250E:/2.0_UWSL_Datasets/3200m1e-3E:/2.0_UWSL_Datasets/3200mmtl_unet_3200m_epoch_50.002025-02-13 00:02:27.549943d32001.320 km1.736 m72.2 %54.9 %6.586 km8.394 m
mtl_unet_cbamtrain-201513250E:/2.0_UWSL_Datasets/3200m1e-3E:/2.0_UWSL_Datasets/3200mmtl_unet_cbam_3200m_epoch_50.002025-02-13 01:41:32.826449d32001.883 km1.792 m67.3 %46.4 %10.451 km9.899 m
xceptiontrain-201513250E:/2.0_UWSL_Datasets/3200m1e-3E:/2.0_UWSL_Datasets/3200mxception_3200m_epoch_50.002025-02-13 03:49:35.596722d32001.363 km1.206 m75.0 %68.1 %6.763 km8.474 m
mtl_cnntrain-201513250E:/2.0_UWSL_Datasets/4200m1e-3E:/2.0_UWSL_Datasets/4200mmtl_cnn_4200m_epoch_50.002025-02-14 10:16:30.001760d42002.337 km1.423 m69.7 %53.0 %16.251 km7.038 m
mtl_unettrain-201513250E:/2.0_UWSL_Datasets/4200m1e-3E:/2.0_UWSL_Datasets/4200mmtl_unet_4200m_epoch_50.002025-02-14 12:00:32.803864d42004.089 km1.737 m67.8 %64.2 %14.557 km7.173 m
mtl_unet_cbamtrain-201513250E:/2.0_UWSL_Datasets/4200m1e-3E:/2.0_UWSL_Datasets/4200mmtl_unet_cbam_4200m_epoch_50.002025-02-14 13:41:52.492001d42003.923 km1.990 m69.5 %63.5 %18.840 km6.806 m
xceptiontrain-201513250E:/2.0_UWSL_Datasets/4200m1e-3E:/2.0_UWSL_Datasets/4200mxception_4200m_epoch_50.002025-02-14 15:51:10.544488d42003.610 km1.264 m61.1 %66.3 %15.855 km5.905 m
mtl_cnntrain-201513250E:/2.0_UWSL_Datasets/5200m1e-3E:/2.0_UWSL_Datasets/5200mmtl_cnn_5200m_epoch_50.002025-02-16 22:43:01.217414d52002.471 km11.946 m68.0 %47.1 %19.452 km33.303 m
mtl_unettrain-201513250E:/2.0_UWSL_Datasets/5200m1e-3E:/2.0_UWSL_Datasets/5200mmtl_unet_5200m_epoch_50.002025-02-17 00:31:14.955910d52003.627 km19.368 m56.0 %42.8 %20.253 km39.668 m
mtl_unet_cbamtrain-201513250E:/2.0_UWSL_Datasets/5200m1e-3E:/2.0_UWSL_Datasets/5200mmtl_unet_cbam_5200m_epoch_50.002025-02-17 02:17:07.864130d52003.171 km20.446 m67.4 %48.2 %19.623 km42.536 m
xceptiontrain-201513250E:/2.0_UWSL_Datasets/5200m1e - 3E:/2.0_UWSL_Datasets/5200mxception_5200m_epoch_50.002025-02-17 04:30:12.104141d52002.171 km15.461 m77.3 %37.3 %15.300 km39.715 m
mtl_cnntrain-2015132100E:/2.0_UWSL_Datasets/6200m2e - 3E:/2.0_UWSL_Datasets/6200mmtl_cnn_6200m_epoch_100.002025-02-17 21:52:43.418065d62002.760 km14.233 m75.1 %67.6 %13.186 km31.518 m
mtl_unettrain-2015132100E:/2.0_UWSL_Datasets/6200m2e - 3E:/2.0_UWSL_Datasets/6200mmtl_unet_6200m_epoch_100.002025-02-18 01:18:35.626580d62002.535 km35.213 m70.8 %61.8 %18.272 km35.456 m
mtl_unet_cbamtrain-2015132100E:/2.0_UWSL_Datasets/6200m2e - 3E:/2.0_UWSL_Datasets/6200mmtl_unet_cbam_6200m_epoch_100.002025-02-18 04:36:23.284802d62003.087 km46.785 m63.3 %31.7 %22.812 km75.593 m
xceptiontrain-2015132100E:/2.0_UWSL_Datasets/6200m2e - 3E:/2.0_UWSL_Datasets/6200mxception_6200m_epoch_100.002025-02-18 09:30:36.380418d62002.563 km27.303 m76.3 %76.8 %17.136 km23.333 m

在这里插入图片描述
定位的正确率随着海深（100-6000m）的变化如上图所示，可以看出，海深越深，定位正确率越低，说明深海定位的难度较大。四种模型中，xception模型的平均正确率最高，mtl_unet_cbam的平均正确率最低。
四个模型在不同海深上距离和深度的雷达能力图如下图所示。
在这里插入图片描述

软件架构

UWSL - APP 整体软件架构主要分为数据生成和神经网络应用两大部分，各部分分工明确，通过文件和配置进行交互。以下是详细的架构说明：

  1. 根目录文件
  • 配置与日志文件
    • config.txt：存储整个项目的通用配置信息。
    • log.txt：记录项目运行过程中的日志，便于调试和监控。
  • 数据与文档文件
    • infos.db：存储项目相关的重要数据。
    • 数据存储结构.vsdx：以 Visio 格式展示数据存储结构的设计文档。
    • 数据集构建.png：直观呈现数据集构建过程。
  • 项目说明文件
    • folder_structure.txt：记录项目文件夹结构。
    • README.md：项目说明文档，包含概述、使用方法等内容。
  1. 1.1_DataGenerationAPP（声场数据生成应用）
    该模块使用 MATLAB 开发，负责数据生成和配置管理。
  • 主目录文件
    • config.json：该模块的配置文件，包含数据生成参数。
    • FunSWDataSim.asv 和 FunSWDataSim.m：用于数据模拟的 MATLAB 脚本。
    • TableDataApp.mlapp 和 TableDataApp_exported.m：与表格数据应用相关的 MATLAB 程序和导出脚本。
  • 1.1.0_SettingTables（设置表子模块）
    • 多个 .xlsx 文件（如 1000M.xlsx - 6200M.xlsx）存储不同规模或参数的数据设置。
    • Parameters.xlsx 和 Parameters_zh.xlsx：分别为英文和中文的参数信息文件。
    • setting.json：该子模块的特定配置文件。
    • test.xlsx：用于测试的数据文件。
  • 1.1.1_EnvBaseDataSet（环境基础数据集子模块）
    • rd.txt、ssp.txt 和 ssp_pek.txt：存储环境基础数据。
  • dependencies（依赖项子模块）
    • 多个 .exe 和 .m 文件（如 bellhop.exe、bellhop.m 等）是数据生成依赖的外部工具和 MATLAB 脚本。
  1. 1.2_NeuralNetworksAPP（神经网络应用）
    该模块使用 Python 开发，负责神经网络模型的训练和应用。
  • 主目录文件
    • common.py：包含项目通用的函数和类。
    • main_pyqt.py 和 main_tmn.py：项目主运行脚本，可能使用 PyQt 实现界面交互。
    • NetMain.py：神经网络的主控制脚本。
    • option.py：处理神经网络配置选项。
    • qtui.py 和 qtui.ui：与 PyQt 界面设计相关的文件。
    • trainer.py：负责神经网络模型的训练。
  • data（数据子模块）
    • 多个 .py 文件（如 Dataloader.py、Dataloader22.py 等）用于数据加载和处理。
    • Read and visualize data-Copy1.ipynb、Read and visualize data.html 和 Read and visualize data.ipynb：用于数据读取和可视化的 Jupyter Notebook 文件。
    • __init__.py：使该目录成为 Python 包。
  • model（模型子模块）
    • 多个 .py 文件（如 CMFP.py、mtl_cnn.py 等）定义不同的神经网络模型。
    • __init__.py：使该目录成为 Python 包。
  • Plt（绘图子模块）
    • beaplot.py：用于绘制相关图表的 Python 脚本。

安装教程

  1. 硬件准备
    确保你拥有一台带有 GPU 的主机，并且已经安装好了 CUDA 环境。如果尚未安装 CUDA，可以按照以下步骤进行：
  • 检查 GPU 兼容性：访问 NVIDIA 官方网站，确认你的 GPU 支持所需的 CUDA 版本。
  • 下载 CUDA Toolkit：从 NVIDIA 官方网站下载适合你操作系统和 GPU 的 CUDA Toolkit 安装包。
  • 安装 CUDA Toolkit：运行下载的安装包，按照安装向导的提示完成安装。安装过程中可以选择自定义安装选项，根据需要安装 CUDA 工具、驱动程序等组件。
  • 验证安装：安装完成后，打开命令行工具，输入 nvcc --version 命令，如果能够显示 CUDA 版本信息，则说明安装成功。
  1. 数据生成代码环境准备（Windows 系统）
    数据生成代码需要在 Windows 系统上安装 MATLAB 2021+ 版本。按照以下步骤进行安装：
  • 下载 MATLAB：访问 MathWorks 官方网站，下载 MATLAB R2021 或更高版本的安装包。
  • 安装 MATLAB：运行下载的安装包，按照安装向导的提示完成安装。在安装过程中，你可以选择需要安装的工具箱，建议至少安装 Signal Processing Toolbox、Neural Network Toolbox 等相关工具箱。
  • 激活 MATLAB：安装完成后，根据提示激活 MATLAB 软件。你可以使用 MathWorks 账户进行在线激活，也可以使用许可证文件进行离线激活。
  1. 网络训练代码环境准备
    网络训练代码需要使用 Python 3.9 版本，并且通过 pip 安装所需的依赖项。按照以下步骤进行：

下载并安装 Anaconda（推荐）
Anaconda 是一个包含 Python 和众多科学计算库的发行版，同时提供了方便的虚拟环境管理工具 conda。
1. 访问 Anaconda 官方下载页面。
2. 选择适合系统的 Anaconda 安装包进行下载。
3. 运行下载的安装包，按照安装向导的提示完成安装。在安装过程中，建议勾选“Add Anaconda3 to my PATH environment variable”选项，这样可以方便在命令行中使用 conda 命令。

  • Linux 终端：
    1. 打开终端，使用 wget 命令下载 Anaconda 安装脚本：
    wget https://repo.anaconda.com/archive/Anaconda3-202x.xx-Linux-x86_64.sh  # 替换为最新版本号
    1. 运行下载的安装脚本：
    bash Anaconda3-202x.xx-Linux-x86_64.sh  # 替换为实际下载的文件名

创建虚拟环境（可选但推荐）
为了避免不同项目之间的依赖冲突，建议使用虚拟环境。可以使用 venv 或 conda 创建虚拟环境。
使用 venv 创建虚拟环境：

  • 使用 conda 创建虚拟环境：
conda create -n uwslapp python=3.9
conda activate uwslapp
  • 使用 venv 创建虚拟环境：
python3.9 -m venv uwslapp
source uwslapp/bin/activate  # Linux/macOS
uwslapp\Scripts\activate  # Windows
  • 安装依赖项：
    进入项目根目录，使用以下命令安装 requirements.txt 中列出的所有依赖项：
pip install -r requirements.txt
  1. 验证安装
    完成上述步骤后，你可以尝试运行项目中的数据生成代码和网络训练代码，验证安装是否成功。如果遇到任何问题，可以根据错误信息进行排查和解决。

通过以上步骤，你应该能够成功安装并配置好项目所需的硬件和软件环境。如果在安装过程中遇到任何问题，请参考相关软件的官方文档或寻求社区支持。

使用说明

  1. 1.1_DataGenerationAPP（声场数据生成应用）

    (1). 使用matlab运行 TableDataApp.mlapp，打开应用界面。
    在这里插入图片描述

    (2). 在界面上配置声速剖面、接收阵深度、声源距离、声源深度、频段、底质声速、密度、吸收等。

    • 参数表格设置
    参数单位下限上限数值数量
    频率Hz50200151
    训练集-000
    声源距离km120191
    声源深度m26030
    海水深度m901105
    底质纵波速度m/s160018003
    底质密度g/cm^31.41.63
    底质纵波衰减dB/λ0.050.051
    测试集-000
    声源距离km0.920.19
    声源深度m1155.12
    海水深度m80.1119.915
    底质纵波速度m/s1511188915
    底质密度g/cm^31.21.86
    底质纵波衰减dB/λ0.050.051

    该表格决定了训练集和测试集的参数范围和数量，声源距离、深度、频率、阵列深度的声压均存在同一个文件中。
    在这里插入图片描述

    数据集生成采用中心点法，均匀分布，均匀间隔，只有环境参数决定了最终生成的文件数量，对于上面表格的训练集，最终生成的文件数量为：5（海水深度）+3（底质纵波速度）+3（底质密度）-2（中心点）=9个。
    在这里插入图片描述

    满足如下代码的.sim文件均可以作为数据集，因此该数据集用户可以自定义，注意用户可以直接将自己.sim文件复制到A.TrainingSet或者B.TestSet文件夹中，或者用户可以自己创建这两个文件夹，并在上级目录创建config.json。

        fid = fopen(filepath,'wb+'); % Create a binary file
    % Write pressure to the binary file
    for isd = 1: length(Pos.r.z)                        % Source depth circulation
        for isr = 1: length(Pos.r.range)                % Source range circulation
            for ifreq = 1 :length(Pos.freqvec)          % Source frequency circulation
                pr = reshape(squeeze(pressure(ifreq,:,isd,isr)).',[],1); % Take out the array received sound pressure from the data
                pr2 = sqrt(pr' * pr);
                if pr2 == 0
                    pr2 = 1;
                end
                pr_nor = pr/ pr2;            % N2 normalized
                fwrite(fid, real(pr_nor),'float32');    % Write real part pressure
                fwrite(fid, imag(pr_nor),'float32');    % Write image part pressure
            end
            fwrite(fid, Pos.r.range(isr),'float32');    % Write Source range
            fwrite(fid, Pos.r.z(isd),'float32');        % Write Source depth
        end
    end

    fclose(fid); % Close the binary file

    config.json中包含频率、训练集声源距离、声源深度等参数，其中频率、训练集声源距离、声源深度和测试集声源距离、声源深度以及接收深度是必须有的。

    	{
  "Frequency": {
    "Unit": "Hz",
    "LowerLimit": 50,
    "UpperLimit": 200,
    "NumValues": 151
  },
  "trainset": {
    "SourceRange": {
      "Unit": "km",
      "LowerLimit": 1,
      "UpperLimit": 20,
      "NumValues": 191
    },
    "SourceDepth": {
      "Unit": "m",
      "LowerLimit": 2,
      "UpperLimit": 60,
      "NumValues": 30
    },
    "SeaWater": {
      "Unit": "m",
      "LowerLimit": 90,
      "UpperLimit": 110,
      "NumValues": 5
    },
    "BathPw_Speed": {
      "Unit": "m/s",
      "LowerLimit": 1600,
      "UpperLimit": 1800,
      "NumValues": 3
    },
    "BathRho": {
      "Unit": "g⁄cm^3",
      "LowerLimit": 1.4,
      "UpperLimit": 1.6,
      "NumValues": 3
    },
    "BathPw_Atten": {
      "Unit": "dB/λ",
      "LowerLimit": 0.05,
      "UpperLimit": 0.05,
      "NumValues": 1
    }
  },
  "testset": {
    "SourceRange": {
      "Unit": "km",
      "LowerLimit": 1,
      "UpperLimit": 20,
      "NumValues": 191
    },
    "SourceDepth": {
      "Unit": "m",
      "LowerLimit": 10,
      "UpperLimit": 60,
      "NumValues": 6
    },
    "SeaWater": {
      "Unit": "m",
      "LowerLimit": 80.1,
      "UpperLimit": 119.9,
      "NumValues": 15
    },
    "BathPw_Speed": {
      "Unit": "m/s",
      "LowerLimit": 1511,
      "UpperLimit": 1889,
      "NumValues": 15
    },
    "BathRho": {
      "Unit": "g⁄cm^3",
      "LowerLimit": 1.2,
      "UpperLimit": 1.8,
      "NumValues": 6
    },
    "BathPw_Atten": {
      "Unit": "dB⁄λ",
      "LowerLimit": 0.05,
      "UpperLimit": 0.05,
      "NumValues": 1
    }
  },
  "ReceiverDepth": [
    10,
    20,
    30,
    40,
    50,
    60
  ],
  "SoundSpeedProfile": [
    [
      0,
      1548.52
    ],
...
    [
      5000,
      1551.91
    ]
  ]
}
    • 模型设置
      目前可用的是kraken（简正波）、bellhop模型（射线），ram模型（抛物方程）待开发。
    • 阵列设置
      阵列目前只支持垂直阵，包括阵元个数设置（Num of Receiver）和接收深度设置（Receiver Depth），接收深度设置支持首尾设置，并根据真元个数直接等间隔插值。
    • 声速剖面设置
      声速剖面的设置中，第一列为深度(m) ，第二列为声速(m/s)，以空格分隔，例如：
        0.0  1548.52  
200.0  1530.29  
...    ...
5000.0  1551.91

    请保证声速剖面深度从0开始，严格递增，声速剖面分层过细的（一般超过200行），请先插到较粗的网格，最大深度一定要大于训练和测试集的海水深度。

    (3)点击“Run&Save”按钮，选择生成文件夹路径，开始数据模拟。
    在这里插入图片描述

  2. 1.2_NeuralNetworksAPP（神经网络应用）

    (1). 运行 main_pyqt.py，打开应用界面。
    使用终端运行

    cd 2.0_UWSL_APP
python .\1.2_NeuralNetworksAPP\main_pyqt.py

    在这里插入图片描述

    (2). 在界面上选择配置的神经网络模型和参数，包括网络名称、数据集路径、学习率、运行模式、训练周期等参数。

    • 模型包括
      • mtl_cnn（Liu Y, Niu H, Li Z. A multi-task learning convolutional neural network for source localization in deep ocean. The Journal of the Acoustical Society of America 2020;148:873–83. https://doi.org/10.1121/10.0001762.）
      • mtl_unet（P. Qian, W. Gan, H. Niu, G. Ji, Z. Li, G. Li, A feature-compressed multi-task learning U-Net for shallow-water source localization in the presence of internal waves, Applied Acoustics 211 (2023) 109530. https://doi.org/10.1016/j.apacoust.2023.109530.）
      • mtl_unet_cbam（P. Qian, W. Gan, H. Niu, G. Ji, Z. Li, G. Li, A feature-compressed multi-task learning U-Net for shallow-water source localization in the presence of internal waves, Applied Acoustics 211 (2023) 109530. https://doi.org/10.1016/j.apacoust.2023.109530.）
      • xception（Chollet F. Xception: Deep Learning with Depthwise Separable Convolutions. arXiv E-Prints 2016:arXiv:1610.02357. https://doi.org/10.48550/arXiv.1610.02357. 做了水下定位的改编）
        ~all~代表使用相同的参数运行所有模型。
        欢迎创建您的模型！与MTL_CNN类似，您的网络的输入为(Batchsize, Nfreq*2, Num_receiver, Num_receiver)，即宽带的实虚部分离的协方差矩阵，输出为距离和深度即可。
    class MultiTaskLossWrapper(nn.Module):
    def __init__(self, task_num, input_channels):
        super(MultiTaskLossWrapper, self).__init__()
        self.model = MTL_CNN(input_channels=input_channels)
        self.task_num = task_num
        self.log_vars2 = nn.Parameter(torch.zeros(task_num))

    def forward(self, input_feature, target):
        outputs = self.model(input_feature)

        precision1 = torch.exp(-self.log_vars2[0])
        precision2 = torch.exp(-self.log_vars2[1])
        mtl_loss = torch.sum(0.5 * precision1 * (target[0] - outputs[0]) ** 2., -1) + \
                   torch.sum(0.5 * precision2 * (target[1] - outputs[1]) ** 2., -1) + \
                   0.5 * self.log_vars2[0] + 0.5 * self.log_vars2[1]

        return mtl_loss, self.log_vars2.data.tolist(), outputs


if __name__ == '__main__':

    mtl = MultiTaskLossWrapper(2, 151*2)
    inputs = torch.randn(5, 151 * 2, 18, 18)
    r = torch.rand(5)
    z = torch.rand(5)
    targets = [r, z]
    loss, log_vars2, output = mtl(inputs, [r, z])
    print(loss, log_vars2, output)

    或者您可以使用MTL_UNET的输入，它将协方差矩阵一维化，变为了(Batchsize, 1, Nfreq2, Num_receiver Num_receiver)，输入仍为距离和深度。

    	class MultiTaskLossWrapper(nn.Module):
    def __init__(self, in_channel, task_num):
        super(MultiTaskLossWrapper, self).__init__()
        self.model = Local(in_channel, in_channels=16)
        self.task_num = task_num
        self.log_vars2 = nn.Parameter(torch.zeros(task_num))

    def forward(self, input_feature, target):
        outputs = self.model(input_feature)
        precision1 = torch.exp(-self.log_vars2[0])
        precision2 = torch.exp(-self.log_vars2[1])
        mtl_loss = torch.sum(0.5 * precision1 * (target[0] - outputs[0]) ** 2., -1) + \
                   torch.sum(0.5 * precision2 * (target[1] - outputs[1]) ** 2., -1) + \
                   0.5 * self.log_vars2[0] + 0.5 * self.log_vars2[1]

        return mtl_loss, self.log_vars2.data.tolist(), outputs


if __name__ == '__main__':
    length_freq = 151
    mtl = MultiTaskLossWrapper(1, 2)

    inputs = torch.randn(5, 1, length_freq * 2, 18 * 18)
    r = torch.rand(5)
    z = torch.rand(5)
    targets = [r, z]
    loss, log_vars2, output = mtl(inputs, [r, z])
    print(loss, log_vars2, output)
    • 训练选项包括
      train：训练模型，同步测试
      test：测试模型
      resume：继续训练模型（需要指定权重文件路径，且只能调用单个模型，不能选择all）
    • 批次大小
      指定训练、测试时的批次大小，一般为32。
    • 训练周期
      指定训练的周期数。
    • 学习率
      指定训练的学习率。
    • 权重文件路径
      继续训练模型的基础权重文件路径。
    • 数据集路径
      数据集文件夹路径，为生成数据APP运行时选择的根目录，比如E:\2.0_UWSL_Datasets\100M，路径下包含了A.TrainingSet和B.TestSet等文件夹。
    • 保存路径
      模型训练结果保存路径，为’-'时，代表和数据集路径相同，比如在数据集路径下E:\2.0_UWSL_Datasets\100M保存模型权重文件夹a.weight_parameter、训练结果文件夹b.training_results等。
    • 备注
      用来备注说明这次任务，一般用来筛选和画图。
      (3). 点击“运行”按钮，开始模型训练。
      在终端中可以看到当前训练的损失，训练过程中会保存模型权重和训练结果。
      在这里插入图片描述

    (4). 点击选项卡2，按类型搜索选择“备注”，点击查找按钮，点击画图查看训练结果。
    在这里插入图片描述

  3. 使用终端超参数调用神经网络训练

python .\1.2_NeuralNetworksAPP\main_tmn.py --model mtl_unet --data_loader_path E:\2.0_UWSL_Datasets\test --lr 0.001  --epoch 100 --batch_size 32 --save_file '-'
  • 参数说明
    • --model：选择模型，包括mtl_cnn、mtl_unet、mtl_unet_cbam、xception。
    • --data_loader_path：数据集路径，为生成数据APP运行时选择的根目录，比如E:\2.0_UWSL_Datasets\100M。
    • --lr：学习率。
    • --epoch：训练周期。
    • --batch_size：批次大小。
    • --save_file：保存路径，为’-'时，和数据集路径相同。
      其他参数请查看option.py和trainer.py。

参与贡献

UWSL-APP 是一个开源项目，欢迎您参与贡献。您可以通过以下方式参与贡献：

  1. 提交问题和建议：如果您在使用 UWSL-APP 过程中遇到任何问题或有任何建议，请在 gitee 上提交 Issue。
  2. 提交代码：如果您有任何代码改进或新功能的想法，请通过 Pull Request 的方式提交。

size：批次大小。 - –save_file`：保存路径，为’-'时，和数据集路径相同。
其他参数请查看option.py和trainer.py。

参与贡献

UWSL-APP 是一个开源项目，欢迎您参与贡献。您可以通过以下方式参与贡献：

  1. 提交问题和建议：如果您在使用 UWSL-APP 过程中遇到任何问题或有任何建议，请在 gitee 上提交 Issue。
  2. 提交代码：如果您有任何代码改进或新功能的想法，请通过 Pull Request 的方式提交。
# 神经网络 # 人工智能 # 深度学习
Logo
腾讯云开发者社区

腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。

更多推荐

Elasticsearch复杂数据类型终极指南：从入门到精通

Elasticsearch作为功能强大的搜索引擎，支持多种复杂数据类型，让开发者能够灵活处理各种结构化和非结构化数据。本文将带你全面了解Elasticsearch中的复杂数据类型，从基础概念到实际应用，助你轻松掌握数据建模的核心技巧。## 内部对象：构建层级化数据结构在Elasticsearch中，对象类型（Object）是最基础的复杂数据类型之一，用于表示具有嵌套关系的数据。例如，我们可

avatar 腾讯云开发者社区

终极指南：Flink SQL连接器版本管理从混乱到有序的升级之路

Apache Flink作为流处理领域的佼佼者，其SQL连接器的版本管理一直是开发者面临的核心挑战。本文将系统讲解Flink SQL连接器版本管理的最佳实践，帮助你轻松应对版本兼容性问题，实现从混乱到有序的升级之旅。## 连接器版本管理的常见痛点 😫在Flink应用开发中，连接器版本管理常常让开发者头疼不已。不同版本的连接器可能导致各种兼容性问题，例如API变更、功能差异甚至运行时错误。

avatar 腾讯云开发者社区

如何快速搭建Neon无服务器PostgreSQL：面向初学者的完整指南

Neon是一款革命性的无服务器PostgreSQL解决方案，它通过分离存储和计算层，实现了自动扩缩容、类代码式数据库分支以及零级扩展能力。本指南将帮助你从零开始搭建Neon开发环境，体验这款创新数据库的强大功能。## 准备工作：环境要求与依赖项在开始搭建Neon环境前，请确保你的系统满足以下要求：- Linux操作系统（推荐Ubuntu 20.04+或Debian 11+）- Git

avatar 腾讯云开发者社区