01 什麼時候需要切割？

1.需要化整為零處理數據。

地震勘探數據常常有一個重要的特點就是數據量很大，大到直接對整個資料進行處理不太現實，而且計算效率也比較低。比如在深度學習的過程中，每個批次訓練一般都是用的小塊數據。各位聰明的同學肯定想到了一個方法，就是化整為零。在實際資料的處理過程中，我們常常需要把大塊數據切小，處理完之後再組合回去。

這類需求常常在使用深度學習模型預測的時候使用，一般流程是這樣的：即對于一個大工區的數據塊，先将數據拆分為小塊數據，然後分别使用神經網絡模型進行預測，再将預測結果組合回原數據尺寸，得到整體的預測效果。

2.生成訓練集數據。

搞深度學習的同學都知道我們需要準備訓練集，而且訓練集的數量一般都希望比較大，數據的形态希望比較豐富。如果每個訓練數據都手工準備，顯然太費時間。這個時候一個自動生成訓練數據的方案成為了剛需。

有一種比較高效的生成訓練數據集的流程是這樣的：一是生成或找一些形态豐富的大尺寸數據。二是使用程序将所有的大尺寸數據切割為小塊。三是對小塊進行尺度變換、翻轉等操作豐富形态。四是整合所有小塊形成訓練數據集。

切割和組合的思路聽起來很簡單，但是在實際操作過程中會遇到一些問題，比如怎樣切分小塊的數量保證是整數，怎樣實現小塊組合的邊緣能夠連續等等問題。下面我們将給大家講解用Python來做怎樣實現。還是以前面課程使用的數據為示範，分别給大家講解二維剖面和三維數據體的切割和組合的方法。

02 二維剖面切割和組合。

1.首先，我們考慮生成訓練集的場景。

假如我們找到了一個1000*1200的剖面數據，想生成10000個小塊數據，怎樣來操作呢？可以使用如下的程序：

這裡用datagenerator函數生成了小塊數據，其中參數的含義包括：

一是data_dir，程序将讀取指定文件夾裡面所有的地震數據來形成訓練集。

二是patch_size，指定切割的小塊尺寸。對于深度學習來說，一般小塊尺寸從32開始，不大于128。

三是stride，指移動的步長。

四是train_data_num，指想生成訓練小塊的數量。

五是aug_times，指定随機翻轉的次數。

六是scales，指定數據縮放的比例，可以指定很多個，程序将從中選擇。

七是verbose，顯示處理進度。

八是jump，指定随機跳躍地震道。

處理完之後，我們随機選幾個小塊看看啥樣，就可以發現小塊的形态是非常豐富的。

2.現在我們考慮為預測數據而進行的切割和組合。

比如我們的大塊數據尺寸是1000*1200，原始數據剖面看起來是這樣的：

現在想切割為40*40的小塊，可以這樣做：

這裡的參數需要指定輸入的數據源，輸入數據的尺寸，切割小塊的尺寸，切割标志1。slice2D函數将自動切割小塊數據。

這裡為了保障切割時不出錯，一定要注意(大塊-小塊)÷步長是整數。切割結果就是這樣的：

切割的小塊看起來是這樣的：

要将小塊組合回原始數據，程序這樣寫：

參數與切割的程序相比基本沒有區别，就是把标志指定為0。組合後的數據剖面看起來是這樣的：

與原數據剖面圖沒啥區别，證明了程序的可靠性。

03 三維剖面切割和組合。

三維體的切割和組合與二維剖面相比，基本原理都是不變的，區别就是複雜度增高，計算資源要求更高。

1.準備數據集的場景。

假如我們找的是一個200*500*500的數據體，要想生成1000個32*32*32的小數據體，程序可以這樣寫：

這段程序中關鍵的函數是datagenerator3D，有幾點要說明一下：

一是程序整體設計思路和datagenerator二維切割程序差不多，但是由于增加了一個維度，生成小塊數據耗費的時間和存儲空間都是指數倍上升，建議生成的小塊三維體數量不要太多。

二是在三維體的切割的計算程序中，維度計算，邏輯運算，尺度縮放等程序都要改造，這些部分與二維剖面計算程序還是有比較大的差别。

現在我們來看其中的一個小塊，是這樣的：

2. 預測數據的場景。

比如我們的三維數據體尺寸是200*500*500，我們指定inline為100來進行切片，二維剖面看起來是這樣的 ：

現在想切割為30*30*30的小塊，可以這樣做：

參數的設置和二維數據體切割的方法差不多。但是由于多了一個維度，函數slice3D的内部程序進行了比較複雜的改動。

切割的小塊的一個剖面看起來是這樣的：

要将小塊組合回原始數據，程序這樣寫：

對于恢複的三維體，也看看inline為100的二維剖面。可以看到與原數據剖面圖沒啥區别，證明程序是比較可靠的。

今天的課程就到這裡。這節課給大家講解了在不同需求場景下，怎樣對二維和三維地震數據進行切割和組合，這些技巧在深度學習研究中非常有用。詳細程序可以聯系我獲取，歡迎關注我交流，再見。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!