神经网络定位APP

qianpeng897

1934人浏览 · 2025-02-25 15:00:26

qianpeng897 · 2025-02-25 15:00:26 发布

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_cnn	train	-	6	151	32	50	E:/2.0_UWSL_Datasets/test	1e-3	E:/2.0_UWSL_Datasets/test	mtl_cnn_test_epoch_50.00	2025-02-07 13:54:02.217284	d100	0.460 km	0.603 m	83.0 %	90.7 %	0.813 km	2.120 m
mtl_unet	train	-	6	151	32	50	E:/2.0_UWSL_Datasets/test	1e-3	E:/2.0_UWSL_Datasets/test	mtl_unet_test_epoch_50.00	2025-02-07 13:55:48.091595	d100	0.353 km	0.337 m	87.7 %	89.4 %	0.766 km	2.272 m
mtl_unet_cbam	train	-	6	151	32	50	E:/2.0_UWSL_Datasets/test	1e-3	E:/2.0_UWSL_Datasets/test	mtl_unet_cbam_test_epoch_50.00	2025-02-07 13:57:28.823126	d100	0.401 km	0.285 m	83.2 %	88.4 %	0.768 km	2.502 m
xception	train	-	6	151	32	50	E:/2.0_UWSL_Datasets/test	1e-3	E:/2.0_UWSL_Datasets/test	xception_test_epoch_50.00	2025-02-07 13:59:34.321049	d100	0.345 km	0.698 m	86.3 %	89.3 %	0.785 km	3.058 m
mtl_cnn	train	-	10	151	32	50	E:/2.0_UWSL_Datasets/1200m	1e-3	E:/2.0_UWSL_Datasets/1200m	mtl_cnn_1200m_epoch_50.00	2025-02-08 18:49:14.167180	d1200	0.195 km	0.778 m	77.3 %	69.9 %	1.045 km	6.048 m
mtl_unet	train	-	10	151	32	50	E:/2.0_UWSL_Datasets/1200m	1e-3	E:/2.0_UWSL_Datasets/1200m	mtl_unet_1200m_epoch_50.00	2025-02-08 18:49:44.237236	d1200	0.159 km	0.733 m	83.8 %	80.7 %	0.737 km	3.236 m
mtl_unet_cbam	train	-	10	151	32	50	E:/2.0_UWSL_Datasets/1200m	1e-3	E:/2.0_UWSL_Datasets/1200m	mtl_unet_cbam_1200m_epoch_50.00	2025-02-08 18:50:05.161912	d1200	0.172 km	0.945 m	82.8 %	72.2 %	0.793 km	3.533 m
xception	train	-	10	151	32	50	E:/2.0_UWSL_Datasets/1200m	1e-3	E:/2.0_UWSL_Datasets/1200m	xception_1200m_epoch_50.00	2025-02-08 18:50:25.447641	d1200	0.198 km	0.818 m	84.3 %	71.9 %	0.785 km	3.446 m
mtl_cnn	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/2200m	1e-3	E:/2.0_UWSL_Datasets/2200m	mtl_cnn_2200m_epoch_50.00	2025-02-09 08:47:12.563411	d2200	0.677 km	0.920 m	80.7 %	69.8 %	3.421 km	7.710 m
mtl_unet	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/2200m	1e-3	E:/2.0_UWSL_Datasets/2200m	mtl_unet_2200m_epoch_50.00	2025-02-09 12:02:26.813284	d2200	0.702 km	1.381 m	82.4 %	71.6 %	3.584 km	5.685 m
mtl_unet_cbam	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/2200m	1e-3	E:/2.0_UWSL_Datasets/2200m	mtl_unet_cbam_2200m_epoch_50.00	2025-02-09 14:58:27.968796	d2200	0.617 km	1.266 m	82.0 %	72.5 %	3.913 km	4.815 m
xception	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/2200m	1e-3	E:/2.0_UWSL_Datasets/2200m	xception_2200m_epoch_50.00	2025-02-09 18:31:22.151742	d2200	0.697 km	1.034 m	85.5 %	76.3 %	2.394 km	5.048 m
mtl_cnn	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/3200m	1e-3	E:/2.0_UWSL_Datasets/3200m	mtl_cnn_3200m_epoch_50.00	2025-02-12 22:17:31.182308	d3200	1.493 km	1.257 m	59.3 %	52.0 %	20.377 km	7.387 m
mtl_unet	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/3200m	1e-3	E:/2.0_UWSL_Datasets/3200m	mtl_unet_3200m_epoch_50.00	2025-02-13 00:02:27.549943	d3200	1.320 km	1.736 m	72.2 %	54.9 %	6.586 km	8.394 m
mtl_unet_cbam	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/3200m	1e-3	E:/2.0_UWSL_Datasets/3200m	mtl_unet_cbam_3200m_epoch_50.00	2025-02-13 01:41:32.826449	d3200	1.883 km	1.792 m	67.3 %	46.4 %	10.451 km	9.899 m
xception	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/3200m	1e-3	E:/2.0_UWSL_Datasets/3200m	xception_3200m_epoch_50.00	2025-02-13 03:49:35.596722	d3200	1.363 km	1.206 m	75.0 %	68.1 %	6.763 km	8.474 m
mtl_cnn	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/4200m	1e-3	E:/2.0_UWSL_Datasets/4200m	mtl_cnn_4200m_epoch_50.00	2025-02-14 10:16:30.001760	d4200	2.337 km	1.423 m	69.7 %	53.0 %	16.251 km	7.038 m
mtl_unet	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/4200m	1e-3	E:/2.0_UWSL_Datasets/4200m	mtl_unet_4200m_epoch_50.00	2025-02-14 12:00:32.803864	d4200	4.089 km	1.737 m	67.8 %	64.2 %	14.557 km	7.173 m
mtl_unet_cbam	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/4200m	1e-3	E:/2.0_UWSL_Datasets/4200m	mtl_unet_cbam_4200m_epoch_50.00	2025-02-14 13:41:52.492001	d4200	3.923 km	1.990 m	69.5 %	63.5 %	18.840 km	6.806 m
xception	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/4200m	1e-3	E:/2.0_UWSL_Datasets/4200m	xception_4200m_epoch_50.00	2025-02-14 15:51:10.544488	d4200	3.610 km	1.264 m	61.1 %	66.3 %	15.855 km	5.905 m
mtl_cnn	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/5200m	1e-3	E:/2.0_UWSL_Datasets/5200m	mtl_cnn_5200m_epoch_50.00	2025-02-16 22:43:01.217414	d5200	2.471 km	11.946 m	68.0 %	47.1 %	19.452 km	33.303 m
mtl_unet	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/5200m	1e-3	E:/2.0_UWSL_Datasets/5200m	mtl_unet_5200m_epoch_50.00	2025-02-17 00:31:14.955910	d5200	3.627 km	19.368 m	56.0 %	42.8 %	20.253 km	39.668 m
mtl_unet_cbam	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/5200m	1e-3	E:/2.0_UWSL_Datasets/5200m	mtl_unet_cbam_5200m_epoch_50.00	2025-02-17 02:17:07.864130	d5200	3.171 km	20.446 m	67.4 %	48.2 %	19.623 km	42.536 m
xception	train	-	20	151	32	50	E:/2.0_UWSL_Datasets/5200m	1e - 3	E:/2.0_UWSL_Datasets/5200m	xception_5200m_epoch_50.00	2025-02-17 04:30:12.104141	d5200	2.171 km	15.461 m	77.3 %	37.3 %	15.300 km	39.715 m
mtl_cnn	train	-	20	151	32	100	E:/2.0_UWSL_Datasets/6200m	2e - 3	E:/2.0_UWSL_Datasets/6200m	mtl_cnn_6200m_epoch_100.00	2025-02-17 21:52:43.418065	d6200	2.760 km	14.233 m	75.1 %	67.6 %	13.186 km	31.518 m
mtl_unet	train	-	20	151	32	100	E:/2.0_UWSL_Datasets/6200m	2e - 3	E:/2.0_UWSL_Datasets/6200m	mtl_unet_6200m_epoch_100.00	2025-02-18 01:18:35.626580	d6200	2.535 km	35.213 m	70.8 %	61.8 %	18.272 km	35.456 m
mtl_unet_cbam	train	-	20	151	32	100	E:/2.0_UWSL_Datasets/6200m	2e - 3	E:/2.0_UWSL_Datasets/6200m	mtl_unet_cbam_6200m_epoch_100.00	2025-02-18 04:36:23.284802	d6200	3.087 km	46.785 m	63.3 %	31.7 %	22.812 km	75.593 m
xception	train	-	20	151	32	100	E:/2.0_UWSL_Datasets/6200m	2e - 3	E:/2.0_UWSL_Datasets/6200m	xception_6200m_epoch_100.00	2025-02-18 09:30:36.380418	d6200	2.563 km	27.303 m	76.3 %	76.8 %	17.136 km	23.333 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：

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_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。

1.2_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

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。

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。

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：

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

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

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_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	Hz	50	200	151
训练集	-	0	0	0
声源距离	km	1	20	191
声源深度	m	2	60	30
海水深度	m	90	110	5
底质纵波速度	m/s	1600	1800	3
底质密度	g/cm^3	1.4	1.6	3
底质纵波衰减	dB/λ	0.05	0.05	1
测试集	-	0	0	0
声源距离	km	0.9	20.1	9
声源深度	m	11	55.1	2
海水深度	m	80.1	119.9	15
底质纵波速度	m/s	1511	1889	15
底质密度	g/cm^3	1.2	1.8	6
底质纵波衰减	dB/λ	0.05	0.05	1

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

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
```
(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。
(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。
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：

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。
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：

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。
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。

魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

小参数・大码力・易部署 | Qwen3.6-27B上线魔乐社区，基于昇腾的部署教程来了

继一周前模型开源发布后，千问再度开源Qwen3.6-27B —— 一个拥有270亿参数的稠密多模态模型，也是社区呼声最高的模型规格。Qwen3.6-27B 依然支持多模态思考与非思考模式，在智能体编程方面达到了旗舰级表现，全面超越前代开源旗舰 Qwen3.5-397B-A17B（总参数397B / 激活参数17B的MoE模型）。作为稠密架构，它无需MoE路由即可部署，是开发者在实用、可广泛部署规模