孤独症（8）

1

我之前一直苦恼于环境配置的问题，最近我发现了一条命令可以自动导出虚拟环境中的包的版本。conda env export > environment.yml。另外我还发现deepseek不能深度思考，一深度思考就完蛋。

2

    def train_per_epoch(self, optimizer):


        self.model.train()
        for data_in, pearson, label, pseudo in self.train_dataloader:

            label = label.long()

            data_in, pearson, label, pseudo = data_in.to(
                device), pearson.to(device), label.to(device), pseudo.to(device)

            inputs, nodes, targets_a, targets_b, lam = mixup_data(
                data_in, pearson, label, 1, device)

            [output, score], learnable_matrix, edge_variance = self.model(inputs, nodes, pseudo)

            loss = 2 * mixup_criterion(
                self.loss_fn, output, targets_a, targets_b, lam)

            if self.group_loss:
                loss += mixup_cluster_loss(learnable_matrix,
                                           targets_a, targets_b, lam)

            # loss += 0.001*topk_loss(score, self.pool_ratio)

            self.train_loss.update_with_weight(loss.item(), label.shape[0])
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
            top1 = accuracy(output, label)[0]
            self.train_accuracy.update_with_weight(top1, label.shape[0])
            self.edges_num.update_with_weight(edge_variance, label.shape[0])

for data_in, pearson, label, pseudo in self.train_dataloader:我之前看这句的时候我脑子里就是空空的，这个train_dataloader到底是啥。我又重新输出了一下，data_in就是输入数据，(1009, 111, 100)1009就是1009个受试者，111个脑区，100个时间点。pearson是皮尔逊积差相关系数，pseudo就是偏相关系数

            inputs, nodes, targets_a, targets_b, lam = mixup_data(
                data_in, pearson, label, 1, device)

我终于看懂这段代码是做什么的了，我觉得有两个方面的效果，一个是为了训练出来的模型健壮性好，不是单单针对一个数据集的，第二是训练出来一个好的模型。举个例子来说，data_in是一个三维向量，比如说现在有两个实验者A和B，A和B的脑区都有111区域，每个区域又有100个时间节点。那么mixup_data就是把A的数据取一部分出来，比如取个七成，然后再从B的数据取三成出来，这样就拼成了一个数据集C。
这个项目的代码真的很完整，读的我都读不下去了，我还有一个转换器的项目，我去看看那个吧