视频教你用CNN、UNet神经网络模型识别地震断层（附程序）

2022-11-23 本文已影响0人科技州与数据州

各位同学，大家好。前期科技州推出了课程《深度学习断层实战（二）——CNN神经网络模型识别断层》和《深度学习断层实战（三）——UNet神经网络模型建立》受到大家广泛关注，也提出了一些学习问题，主要集中在环境配置和程序运行方面。今天我们就通过视频讲解，全流程给大家演示运行程序的方法。

01 环境的配置

1.基本程序环境

我们的课程主要都是在Python环境下运行的，所以大家需要配置Python相关运行环境。我们常用Anacoda 的Spider作为集成编辑器。这款软件既是免费软件，也具有较好的调试功能。

另外我们的课程涉及深度学习的内容比较多，我们会用到tensorflow和keras，这也请大家自行安装。

以下是我们推荐的程序和引用库版本。

Python 3.8

keras 2.3.1

tensorflow 2.2.0 或 tensorflow-gpu 2.2.0

另外特别提示：

强烈建议大家配置具有独立NVIDIA显卡的运行环境，并装好CUDA驱动和Python的tensorflow-gpu版本，充分使用GPU加速计算。

后续我们课程中有关深度学习的处理，特别是断层和储层的处理，使用GPU加速比CPU会快很多个数量级。

2.本课程用到的引用库

这本次课程中，我们还会用到几个引用库。

一是cupy库，主要功能是NumPy兼容多维数组在CUDA上的实现。

简单介绍一下CuPy：

CuPy是一个开源矩阵库，使用NVIDIA CUDA加速。CuPy使用Python提供GPU加速计算。CUPY使用CUDA相关库，包括 CuBLAS、CUDNN、Curand、CuoSver、CuPaSeSE、Cufft和NCCL，以充分利用GPU架构。CuPy加速了一些超过100倍的操作。

安装这个引用库的前提是必须要安装CUDA驱动，只能在GPU环境下运行。使用这个库的原因是三维地震数据生成计算量巨大，需要GPU来加速。因此安装cupy库需要查看相关文档，安装对应的CUDA驱动环境。

有如下的对应关系：

二是bruges库，主要功能是用于地震反射数据的建模和后处理，包含几个常见的地球物理功能。

安装方法

pip install bruges

三是matplotlib库，主要功能是用于绘制各种图像的模块,用于数据的分析和展示。

安装方法

pip install matplotlib

四是scipy库，这是一个专用于科学计算中常见问题的工具箱。其不同的子模块对应不同的应用，如插值、积分、优化、图像处理、统计、特殊函数等。在课程中可以用来生成不同的地震结构。

安装方法

pip install scipy

本次课程这几个引用库的推荐版本是：

cupy-cuda102 9.1.0

bruges 0.4.2

matplotlib 3.3.2

scipy 1.4.1

02 程序运行

1.程序结构

本次课程运行的结构如图所示：

首先是两个文件夹。一是dataset文件夹，放置了数据集，包括训练数据和验证数据，参考前期生成断层数据的课程。二是model文件夹，包括了call_back，weights等文件夹，放置了训练的模型和配套文件。

其次有几个函数程序。一是CNN3D.py和UNET3D.py，这是我们构造的CNN自编码神经网络和UNet神经网络模型。二是metrics.py，这是构造了一个cross_entropy_balanced的损失函数，用于优化神经网络对断层的识别。三是datagen.py，这是通过提取数据集，供神经网络训练。

最后就是我们的主程序。分别是faultSeg-cnn.py和faultSeg-unet.py，实现了CNN网络和unet网络的全过程训练。

2.程序运行

本次程序运行环境为：

Python 3.8

Anaconda 3 Spyder 4.1.5

接下来就详细讲解程序运行。

（1）faultSeg-cnn.py

为了讲解CNN神经网络对断层数据训练详细过程，我们编写了程序。

一是参数的初始化，这里定义了地震体数据的初始参数和存放文件夹位置。

二是进行神经网络模型训练。包括加载网络模型，训练网络模型，保存网络模型。

以上部分我们先运行程序，完成神经网络模型的训练和保存。

三是查看模型效果。我们导入训练好的模型，可以看到模型中卷积层学习到的特征。至于对断层数据的识别和查看，大家可以学习《教你用Python自动识别地震断层》这节课程。