孤独症（6）

关注

原创最新推荐文章于 2026-04-12 09:58:42 发布 810 阅读 AI 写同款· GEO 优化 ›

Neuroimage | 孤独症与功能近红外光谱(fNIRS)综述 Neuroimage | 孤独症与功能近红外光谱（fNIRS）综述1 引言2 综述：目前ASD研究中的两个难题2.1 难题一：ASD在发育中的婴儿大脑2.2 难题二:社会大脑和大脑之间的相互作用3 fNIRS的基本原理3.1 近红外光谱应用的关键模式3.2 fNIRS数据评估和关注点3.3 实验设计与fMRI、EEG的比较3.4 方法论问题4 fNIRS在ASD中的研究4.1 非社会性困难4.2 ... 阅读详情

一如既往，我无法决定我做什么，但是我可以决定我不做什么。
吃晚饭前我不打游戏，不打炉石，不打跑跑狼，不打欧陆战争3，不玩手机。然后今天我要戒欲节制，要想戒欲节制，那就需要运动，今天我要去跑步。离了个大谱，chatgpt没法用了，我现在没法读代码了，我去读读论文吧

1

main.py和dataloader.py都看的差不多了，现在我要看train.py

        train_process = use_train(
            config['train'], model, opts, dataloaders, save_folder_name)
        train_process.train()

传了五个参数进去，这五个参数到底是什么，我需要解释清楚。
config[‘train’]就是训练模型时候要用到的参数，随着代码的执行会不断优化参数

train:
  lr: 1.0e-4
  weight_decay: 1.0e-4
  epochs: 500
  pool_ratio: 0.7
  optimizer: adam
  stepsize: 200

  group_loss: true
  sparsity_loss: true
  sparsity_loss_weight: 0.5e-4
  log_folder: result
  
  # uniform or pearson
  pure_gnn_graph: pearson

model包括两部分，一个是abide_PLS_Net.yaml中的model部分，另一部分是节点大小node_size是100，节点特征大小node_feature_size是111,时间序列大小timeseries_size是111
我感觉还不错，我专门改写了一小段代码来得到节点的值，节点特征的值，时间序列的值

import yaml
import numpy as np

config_filename = 'abide_PLSNet.yaml'
with open(config_filename) as f:
    config = yaml.load(f, Loader=yaml.Loader)
dataset_config = config['data']
data = np.load(dataset_config["time_seires"], allow_pickle=True).item()
final_fc = data["timeseires"]
final_pearson = data["corr"]
_, _, timeseries = final_fc.shape
_, node_size, node_feature_size = final_pearson.shape
print(timeseries)
print(node_size)
print(node_feature_size)

再看看abide_PLSNet.yaml中的model部分

model:
  type: PLSNet
  extractor_type: attention
  embedding_size: 8
  window_size: 4
  cnn_pool_size: 16
  num_gru_layers: 4
  dropout: 0.5

这个model写明是使用了注意力机制，还有cnn神经网络
第三部分是opts，它是一个优化器，里面包含两个主属性，一个是学习率0.0001，另一个是权重衰减0.0001。
dataloader这部分蛮难讲的，因为它的数据量太大了，具体来说分成训练数据集，验证数据集和测试训练集。
save_folder_name这个是最简单的，就是结果的保存路径

2

我看着看着代码脑子里突然有了想法，我应该去准备行测申论了，毕竟论文写再好也只是毕业但不能找工作。
我回到学校了，这学期很重要，不多说了，我开了个网页版番茄钟，还有15分钟。
做事要有始有终，我要把train这部分代码看完。

    def __init__(self, train_config, model, optimizers, dataloaders, log_folder) -> None:
        self.logger = Logger()
        self.model = model.to(device)
        self.train_dataloader, self.val_dataloader, self.test_dataloader = dataloaders
        self.epochs = train_config['epochs']
        self.optimizers = optimizers
        self.best_acc = 0
        self.best_model = None
        self.best_acc_val = 0
        self.best_auc_val = 0
        self.loss_fn = torch.nn.CrossEntropyLoss(reduction='mean')
        self.pool_ratio = train_config['pool_ratio']
        self.group_loss = train_config['group_loss']

        self.sparsity_loss = train_config['sparsity_loss']
        self.sparsity_loss_weight = train_config['sparsity_loss_weight']

        self.save_path = log_folder

        self.save_learnable_graph = True

        self.init_meters()

这部分代码简单来说就是初始化，关键在于初始化的这些对象有什么用

self.model = model.to(device)

像是这一句，就是把PSL这个模型的参数赋值给self.model。这就要涉及到一个问题，到底什么是神经网络。神经网络是干嘛的，它可以用来判断，可以用来预测，可以用来分类。我们给模型的是文字，是图像，是语音等等，但是模型能处理的是数组，是向量。所以在此模型中，神经网络的第一步就是把输入表示为一个8维的向量。这就是嵌入层的维度。那么接下来就是对这若干个八维的向量进行处理。
那么接下来的问题就是神经网络中为什么要有滑动窗口的大小，举个简单的例子。对语言进行处理，有这么两句话分别是：我叫李有福，我吃了饺子。如果每次只分析一个输入，那就是分析：我，叫，李，有，福。这样分析起来效果就不好，因为这个句子应该分为两部分一部分是我叫，另一部分是我有福。那这个时候就要同时分析两个字，有的句子可能要同时分析三个字，这样就有了滑动窗口的概念。有些输入要当成一个输入来分析才有效果，如果分开来看就完全无法理解，比如成语这种东西。
接下来就是pooling layer池化层这个概念，其实这个概念很拗口。我查阅了一下资料，其实池化这个东西有两个作用，一个是降低开销，另一个是防止过拟合。神经网络这个东西，要处理的数据量实在是太大了，谁家也没有超算，更多的科研底层工作者，只有一台笔记本电脑，要是跑代码一次跑一天，这谁受得了。而且很多的模型也不需要那么精确的处理，比如一幅画，从左到右，颜色逐渐变深。即便是把数据进行池化处理了，这个大特征依然是不变的。第二个就是模型有一定的泛化能力。什么是泛化能力，就是模型在A数据集上有很好的性能，拿到B数据集上性能依然很好。
那么接下来就是GRU的问题，在说GRU之前，我想先说一下网络小说。我喜欢看网络小说，现在我经常想的一个问题是网络小说作家什么时候被AI替代，生成文字可是AI的强项，它只需要吃电就能干活，而且一天想写多少写多少。网文作家一天能写一万字那已经很肝了，AI一天写一千万字一亿字又如何。可是AI的一个问题就是写着写着逻辑崩溃了，牛头不对马嘴。网文里有个挖坑的说法，一个引子几十章几百章之后解密都是有可能的，可是AI写着写着自己都忘了，都不知道自己写的啥了。这就是梯度消失问题。GRU就是为了解决这个问题而提出的

        self.train_dataloader, self.val_dataloader, self.test_dataloader = dataloaders

其实一开始我并不了解验证集是干嘛的，下面估计有对应的代码吧，根据验证集得到的结果对参数进行调整

self.loss_fn = torch.nn.CrossEntropyLoss(reduction='mean')

这句话是定义损失函数的，这个PLS神经网络是用来判断孤独症的，那就是一个二分类任务，yes or no。首先是输出，然后进行softmax处理，比如说yes的概率为0.7，no的概率为0.3。如果说它的真实标签是yes，那么损失函数就是-log(0.7)=0.1549，损失函数越小，代表准确率越高。

self.pool_ratio = train_config['pool_ratio']

关于池化，我已经理解了，这个池化比率可能是为了防止过拟合吧。

        self.group_loss = train_config['group_loss']

        self.sparsity_loss = train_config['sparsity_loss']
        self.sparsity_loss_weight = train_config['sparsity_loss_weight']

原来组损失和稀疏性损失是完全不同的，稀疏性损失比较简单，比如在这个PLS神经网络模型中输入是一个八维的向量，那么有可能只有一到两个向量起到了关键作用，大部分的向量是无用的，那么花时间和算力去处理它就是无意义的，自然可以把这些无用向量忽略掉。组损失很玄乎，我不好解释

3 train如何执行

    def train(self):
        training_process = []
        txt = ''
        for epoch in range(self.epochs):
            self.reset_meters()
            self.train_per_epoch(self.optimizers[0])
            val_result, _ = self.test_per_epoch(self.val_dataloader,
                                             self.val_loss, self.val_accuracy)

            test_result, con_matrix = self.test_per_epoch(self.test_dataloader,
                                              self.test_loss, self.test_accuracy)

            if self.best_acc <= self.test_accuracy.avg:
                self.best_acc = self.test_accuracy.avg
                self.best_model = self.model

            if (con_matrix[0][0] + con_matrix[1][0]) != 0:
                SEN = con_matrix[0][0] / (con_matrix[0][0] + con_matrix[1][0])
            else:
                SEN = 0

            if (con_matrix[1][1] + con_matrix[0][1]) != 0:
                SPE = con_matrix[1][1] / (con_matrix[1][1] + con_matrix[0][1])
            else:
                SPE = 0

            self.logger.info(" | ".join([
                f'Epoch[{epoch}/{self.epochs}]',
                f'Train Loss:{self.train_loss.avg: .3f}',
                f'Train Accuracy:{self.train_accuracy.avg: .3f}%',
                # f'Edges:{self.edges_num.avg: .3f}',
                # f'Test Loss:{self.test_loss.avg: .3f}',
                f'Val Accuracy:{self.val_accuracy.avg: .3f}%',
                f'Test Accuracy:{self.test_accuracy.avg: .3f}%',
                f'Val AUC:{val_result[0]:.2f}',
                f'Test AUC:{test_result[0]:.4f}',
                f'Test SEN:{SEN:.4f}',
                f'Test SPE:{SPE:.4f}'
            ]))

            txt += f'Epoch[{epoch}/{self.epochs}] '+f'Train Loss:{self.train_loss.avg: .3f} '+f'Train Accuracy:{self.train_accuracy.avg: .3f}% '+f'Val Accuracy:{self.val_accuracy.avg: .3f}% '+f'Test Accuracy:{self.test_accuracy.avg: .3f}% '+f'Val AUC:{val_result[0]:.3f} '+f'Test AUC:{test_result[0]:.4f}'+f'Test SEN:{SEN:.4f}'+f'Test SPE:{SPE:.4f}'+'\n'

            training_process.append([self.train_accuracy.avg, self.train_loss.avg,
                                     self.val_loss.avg, self.test_loss.avg]
                                    + val_result + test_result)
        now = datetime.now()
        date_time = now.strftime("%m-%d-%H-%M-%S")
        self.save_path = self.save_path/Path(f"{self.best_acc: .3f}%_{date_time}")
        if self.save_learnable_graph:
            self.generate_save_learnable_matrix()
        self.save_result(training_process, txt)

        training_process = []
        txt = ''

看它这个意思，train_process和txt是配套使用的，用来记录每一轮训练的准确率和损失率

            if self.best_acc <= self.test_accuracy.avg:
                self.best_acc = self.test_accuracy.avg
                self.best_model = self.model

avg就是accuracy，即准确率，准确率自然是越高越好，看这个代码的意思，每一轮的训练都会有一个准确率，都会有一个model，那么更好的model会被选取。

            if (con_matrix[0][0] + con_matrix[1][0]) != 0:
                SEN = con_matrix[0][0] / (con_matrix[0][0] + con_matrix[1][0])
            else:
                SEN = 0

            if (con_matrix[1][1] + con_matrix[0][1]) != 0:
                SPE = con_matrix[1][1] / (con_matrix[1][1] + con_matrix[0][1])
            else:
                SPE = 0