150epoch后 SSIM 0.758 RMSE 0.051
感觉SSIM吃了残存噪点的亏

450h后最终SSIM停在了0.774，不过D_loss明显上升了，说明在鉴别器眼中生成的图像确实更能以假乱真了
稍微放俩样图
可以看到高频细节确实有不少改善，但是说实话，有部分高频细节和VIS对比起来实际上是不存在的，只是像VIS而已，对于干净的风眼表现也不够好（图9,10的玛娃）

补一张训练曲线

之前在24楼规划的三种输入方式（band13，band13+band13-15差分，band13+band13-15差分+band13错位差分）已经测试完毕。目前的结果是band13+band13-15差分的双波段模型取得了最好的SSIM和RMSE表现（0.817，0.045），而band13+band13-15差分+band13错位差分的三波段模型取得了最好的“以假乱真”的效果（D_loss约≈0.1，即判别器有10%左右概率把AI生成的当成真的）。

目前的模型效果楼主还并非完全满意，接来会尝试通过不同方法改进。之前本来想着再加个Band11的，以为识别低云的效果会很好...后来发现实际上没啥用，识别低云的效果还不如Band15
band13-11差分

band13-15差分

暂时下一步计划是修改错位差分的有效范围，将其限制于TC的低温云顶，取消卷云/高温区区域的错位差分，这样应该能够明显减少干扰，避免生成过多错误的高频细节。

上面说的这种对于错位差分的预处理其实很像合成伪VIS时对低温区的处理
现在感觉深度输入端的预处理还是很重要的，虽然理论上一个波段输进去模型能提取全部信息，但实际上通过随机梯度的方式AI很难准确捕捉其中的一些物理性结论（比如说低温且冰晶密集的时候容易出现云顶光影），最好要预处理为AI容易找到输入和vis之间的对应的形式。我这里就相当于输了个已经比较像VIS的伪VIS云顶进去，希望能有进一步改善吧。

图为15苏迪罗置换期，是修改有效范围后的错位差分

修改错位差分范围后前30个epoch验证集表现达到0.7052，应该是目前为止训练前期表现最好的了
训练曲线长这样

跑完以后训练曲线长这样...与其说是改进不如说是加错位差分和不加的折中...还得想别的方法在保证SSIM的情况下尽可能好地模拟云顶细节
SSIM0.796
RMSE0.0483

今天大概搞明白为什么pix2pix的云顶细节生成的不太好了。生成器的loss函数由两部分组成，一部分相当于以假乱真，骗过鉴别器的能力，越能骗数字越小，另一部分相当于生成图像与vis每个像素的偏差。生成器的目标是让loss函数尽可能小。在6.x的loss值中，前者只占0.x，后者占了接近6。也就是说，生成图像与vis每个像素的偏差主导了训练，而“骗过鉴别器”的这一学习目标是受抑制的。（这一点从鉴别器的loss也能看出）
目前打算把生成器的L1_loss换成SSIM_loss，看看能不能减少对于云顶细节模拟的抑制。对自己的代码水平不是很自信所以留了俩备份以防写崩了

总算把SSIM loss搞定了
稍微讲一下原理
原本的生成器的loss由两部分组成

ls_G1相当于判别器的表现，判别器越分不清楚真假越低
ls_G2是l1_loss相当于和原图的相似程度，用的是真假两图每个像素的差值的绝对值再取平均
整个ls_G肯定是越小越好。
在训练末尾基本上ls_G1占零点几，ls_G2*100占6左右，也就是说原来每个像素平均和真图有0.06左右的差值（整张图是-1~1的范围）
加上SSIM loss以后，式子变成这样：

加上去的ls_G3是SSMI_loss，直接计算的值和出图之后再算的不太一样，只有0.6~0.7，不过同样是数字越大图像生成效果越高。由于loss是越小越好，所以取个倒数再乘个系数。
目前先就这样，后两种loss的比例差不多一半一半，我放它跑几十个epoch看看，等会再从头炼几个模型。
这个想法部分来自于P. Harder那篇总结Hackathon的论文

下一步计划是把第三个波段换成太阳方位角，同时包含上下午的云图，看看能不能AI能不能理解云顶光影和太阳方位角的关系

同时包含上下午的数据之后验证集表现又上了一个台阶


SSIM大概能有0.83吧，破纪录了

扩充训练集之后SSIM创新高了，大概能折合0.83吧