一. InversionNet 最简单的端到端DL_FWI

        1. 网络结构：

        构建了一个具有编码器-解码器结构的卷积神经网络，根据地震波动数据模拟地下速度结构。编码器主要由卷积层构建，它从输入地震数据中提取高级特征并将其压缩为单个高维向量。解码器然后通过一组反卷积层将这些特征转换为速度模型。 

        2. 编码器与解码器：

        编码器包括图1的顶部流水线中由“conv”表示的一组卷积块。1.每个卷积块由卷积层，批归一化（BN）和ReLU组成。输入数据的大小为（32,1000,6）从这个数据看来时间维度和空间维度比例太大，这里采用的是非方形卷积。起到压缩空间的作用，我们这里接下来的任务是对于时间层面的降维。

        注意：这里补充说明原文章用的数据大小是（32,1000,6），但是张星移师兄培训的数据集大小是（70,1000,6），以后者为准。

        时间域第一次降维：

        将大小（70,1000,6）的图片通过一批32卷积降维到（70,500,32）

        时间域第二次降维：

        将大小（70,500,32）的图片通过卷积降维到（70,250,64）

        将大小（70,250,64）的图片通过卷积降维到（70,125,64）

        时间域第三次降维：

        将大小（70,125,64）的图片通过卷积降维到（70,63,128）

        进入两个方向同时降维，将大小（70,63,128）的图片通过卷积降维到（35,32,128）

        第四次降维

        两个方向同时降维，将大小（35,32,128）通过卷积降维到（18，16，256）

        两个方向同时降维，将大小（18，16，256）通过卷积降维到（8，8，256）

        最后将图片降维到1×1的512维度的向量；再经过解码（反卷积）转化为我们需要的图像，解码的过程如图2所示。

        结果评价指标：

        InversionNet的末端采用的标准损失函数是规范的损失函数:（是是真实速度模型, 是预测的速度模型，是速度模型中空间像素的数量.）

        

        作者采用的四个评价指标：

        优点：