简介一套面向卫星影像降水短临预报的完整深度学习解决方案源自2022年NeurIPS Weather4cast竞赛获奖项目。资源面向具备一定Python与深度学习基础的学生、研究者或算法工程师可用于课程设计、毕业设计或竞赛复现。项目包含多分支融合网络模型设计、训练与预测全流程提供预训练权重、数据划分文件、评估脚本及运行说明并配套两个Jupyter Notebook用于权重可视化和卫星降水可视化分析。压缩包共32个文件以Python源码为主20个py另有YAML/yml环境配置、CSV时间戳划分文件、ipynb示例、模型架构图及Markdown运行指南整体大小约272.8MB。目录结构清楚适合对照代码逐模块学习降雨预测建模思路。包内除核心训练、评估与提交脚本外还附有数据加载工具、可视化工具以及多个基线模型实现方便读者快速替换数据或调整网络结构。资源已获得40人浏览学习属于竞赛实战代码兼具学术参考与工程落地价值。1. 多分支融合网络做降水临近预报这条技术路线为什么值得跟降水“多小时预测”和普通气象预报最大的区别在时效和数据形态输入是过去几小时的卫星云图序列输出是未来 36 小时的降水落区本质上是个时空序列到空间场的映射问题。传统的数值预报在这个时间尺度上要么模式起转慢、要么对流尺度参数化误差大所以近些年大家把目光转向数据驱动模型其中多分支融合网络是一条被反复验证的方向——它把云图运动、云顶温度变化、地形和背景场信息分开抽取再用融合模块把多源特征压成降水预测场。这套做法在短临降水预报里已经是主流方案之一我现在拿到手的这个压缩包含 Python 源码、运行说明、模型权重和降水数据就是一套可直接上手的实现。适合谁呢一是做气象AI落地、需要快速跑通基线的算法工程师二是做遥感或图像时序预测、想找个真实场景练手的研究生三是想评估数据驱动降水预报到底值不值得投入的团队负责人。下面我按自己复现这类项目的一贯路径来拆环境怎么搭、数据怎么准备、网络怎么理解、参数怎么调、坑在哪。2. 跑通前的三道关环境、数据集与目录结构2.1 用一个干净的 Conda 环境把依赖锁死这类项目最怕的不是模型难而是环境不一致导致跑不起来。压缩包里的 requirements 一般会写好 pandas、numpy、tifffile、torch、torchvision 这些基础库但我建议不要直接 pip install -r requirements.txt 一把梭而是先建独立环境再装。常见做法是conda create -n rain_cast python3.8 -y conda activate rain_cast pip install torch1.13.1 torchvision0.14.1 --index-url https://download.pytorch.org/whl/cu117 pip install numpy pandas tifffile scikit-image matplotlib h5py这里的逻辑是把 PyTorch 单独装、科学计算库后装避免 pip 解析依赖时把 torch 的版本拉偏。如果机器是纯 CPU 环境就把 index-url 那行去掉用 CPU 版 torch但训练阶段强烈建议至少一块 8GB 以上显存的卡因为多分支结构在融合前的特征图并行保存显存占用比同参数量单分支模型高出约 20%。2.2 数据目录结构训练、验证、测试必须严格分离打开压缩包你会看到数据不是单个文件而是一个按时间切片的目录树。这类降水预测项目最常见的组织形态是dataset/ train/ 2019_06_01_00/ # 一个样本内含云图通道与降水标签 ir.npy vis.npy rain.npy val/ 2019_06_15_00/ test/ 2019_08_01_00/由于小时级预测需要把连续时刻合并成输入序列代码里一般会有 make_sequences() 之类的函数它负责把 N 个连续时刻拼成“输入过去 6 帧 预测未来 3 帧”的样本。这里的核心参数是 stride通常设为 1 表示逐小时滑动如果设成 2样本量减半但序列相关性变弱。我一般会先设 stride1 看训练收敛情况再加到 2 验证泛化。数据目录搞错是新手最容易翻车的地方val 和 test 一旦不经意混进了 train 序列滑动窗口指标会好看到失真等到真上线就被打回原形。2.3 运行说明文档与入口脚本的对应关系压缩包里会有一份 运行说明.md 或者 README它的作用不仅是告诉你命令怎么敲还暗示了模型的两种工作模式训练态和预测态。典型入口方式如下# 训练 python train.py --config configs/multibranch.yaml # 预测输出未来1-6h 降水强度场 python predict.py --checkpoint checkpoints/best_model.pt --input data/test/2019_08_01_00如果你打开 train.py 看到的不是 --config 而是直接把超参写死在文件里也别慌那说明作者为了方便初学者少碰配置文件。此时改参数直接改文件顶部的大写常量即可。但有个血泪经验先读运行说明里有没有提到“预训练权重”和“数据子集”两个词有的话说明完整训练可能需要几天跑通链路时先用 20 个子集样本验证流程正式训练再切回全量。3. 多分支融合网络的结构拆解三个分支各管什么3.1 分支一光流特征分支管“云往哪走”降水预测本质上是云团的运动外推。这个分支的输入是连续 6 帧红外云图网络内部先通过一个轻量级光流估计模块算出相邻帧之间的位移场再把位移场和原始帧一起送入时空卷积层。代码里常见实现是class FlowBranch(nn.Module): def __init__(self, in_channels6): super().__init__() self.flow_conv nn.Sequential( nn.Conv2d(in_channels * 2, 64, kernel_size3, padding1), nn.ReLU(), nn.Conv2d(64, 64, kernel_size3, padding1), nn.ReLU(), nn.Conv2d(64, 2, kernel_size3, padding1) # 输出dx, dy ) self.enc nn.Conv2d(in_channels 2, 128, kernel_size3, padding1) def forward(self, x): # x: [B, T, C, H, W] T为序列长度 B, T, C, H, W x.shape flows [] for t in range(T - 1): pair torch.cat([x[:, t], x[:, t 1]], dim1) flows.append(self.flow_conv(pair)) flow_field torch.stack(flows, dim1).mean(dim1) return self.enc(torch.cat([x[:, -1], flow_field], dim1))这段代码的关键点是 flow_conv 分支输出的是两通道位移场 dx 和 dy而不是直接预测降水。它把“运动信息”显式编码成特征和后面的静态信息区分开。训练时这个分支会主导模型学会“云团平流”这一物理规律而不是像单分支结构那样把所有信号混在一起学。参数说明上in_channels 取决于输入通道数如果数据里混入了水汽通道就相应增加。3.2 分支二纹理强度分支管“云有多厚、多冷”第二个分支处理的对象是单帧高分辨率云图通常是红外亮温通道。云顶亮温越低对应降水强度越大的可能性越高这是降水预报里一条硬物理规则。这个分支的作用是通过卷积网络把亮温灰度模式映射成“降水潜力图”。class TextureBranch(nn.Module): def __init__(self): super().__init__() self.conv1 nn.Conv2d(1, 32, kernel_size5, padding2) self.conv2 nn.Conv2d(32, 64, kernel_size5, padding2) self.conv3 nn.Conv2d(64, 128, kernel_size5, padding2) self.pool nn.MaxPool2d(2) def forward(self, x): # x: [B, 1, H, W] x self.pool(F.relu(self.conv1(x))) x self.pool(F.relu(self.conv2(x))) x self.pool(F.relu(self.conv3(x))) return x # 输出: [B, 128, H/8, W/8]注意这里使用的是 5×5 卷积核而不是更常见的 3×3这是因为亮温纹理的空间尺度偏大5×5 感受野能更快覆盖云团内部结构。如果训练时发现收敛慢可以把这个分支的卷积核换回 3×3 并加深层数但显存开销会增加。3.3 分支三地形静态分支把高程和纬度灌进去纯卫星图像预测有一个天然缺陷它看不见地形。而降水落区受地形抬升影响明显同样的云团在山前和山后的降水强度差出数倍。因此多分支网络里通常有一个静态分支——它的输入可能是高程、坡度、经纬度格点权重不参与反向传播更新只作为条件信息参与融合。class StaticBranch(nn.Module): def __init__(self, static_channels3): super().__init__() self.conv nn.Conv2d(static_channels, 32, kernel_size3, padding1) self.bn nn.BatchNorm2d(32) def forward(self, static): # static: [B, C, H, W] C为高程/坡度/纬度等通道 return F.relu(self.bn(self.conv(static)))我在实际项目里发现一个值得注意的点如果测试区域和训练区域的地形差异太大静态分支会变成噪声源。所以更好的做法是把它固定在流域尺度比如只做某一个省的模型不要贪心做一个全国模型。3.4 融合模块加法融合还是注意力融合三个分支的输出形状并不一致——光流分支空间分辨率较高纹理分支经过三次池化后分辨率掉了 8 倍静态分支通常保持原始分辨率。融合前必须做对齐。源码里常见的做法是class Fusion(nn.Module): def __init__(self): super().__init__() self.attn nn.Sequential( nn.Conv2d(128 * 3, 128, kernel_size1), nn.ReLU(), nn.Conv2d(128, 3, kernel_size1), nn.Softmax(dim1) ) self.out nn.Conv2d(128, 64, kernel_size3, padding1) def forward(self, flow_feat, texture_feat, static_feat): # 假设三者在空间维度已对齐到相同H, W concat torch.cat([flow_feat, texture_feat, static_feat], dim1) weight self.attn(concat) # [B, 3, H, W] fused flow_feat * weight[:, 0:1] texture_feat * weight[:, 1:2] static_feat * weight[:, 2:3] return self.out(fused)这段代码实现的是空间注意力加权融合每个像素位置都会学习“此时主要信谁”。相比简单加法融合它的好处是当云图纹理模糊但地形作用明显时网络能自动调高静态分支权重。但必须注意注意力权重是逐像素的可能带来预测场空间不连续的问题所以实际测试时如果发现降水场出现椒盐噪声可以在注意力输出后加一个 3×3 平均池化做平滑。4. 从数据到损失函数降水预测训练链路里的五个必调参数4.1 标签降水强度怎么离散化分类还是回归卫星降水预测有两种建模方式把降水强度当成回归值直接预测或者先把强度离散成 0、小雨、中雨、大雨等类别。这个项目源码里采用的策略往往是在数据预处理阶段用 np.digitize 把连续降水值切片import numpy as np def rain_to_label(rain, thresholds[0.1, 2.0, 8.0, 20.0]): label np.zeros_like(rain, dtypenp.int64) for i, thr in enumerate(thresholds): label[rain thr] i 1 return label无论是回归还是分类阈值选取都是第一个必调参数。降水阈值定得太粗模型分不清中间强度定得太细类别样本严重不平衡中雨以上样本稀少。我常用的一组是 [0.1, 1.0, 4.0, 12.0, 25.0]对应无雨、毛毛雨、小雨、中雨、大雨、暴雨六档。另外标签必须做空间对齐因为卫星数据分辨率通常在 4km 左右而雨量计测站是离散点源码里如果提供插值工具就用它把站点数据插值到与云图相同的网格上。4.2 加权损失函数让模型多关注强降水降水预测有一个经典痛点无雨像素占比可能高达 90%如果直接用 MSE模型学到的就是“什么都预报无雨”。常见做法是对样本进行重加权。源码里的损失函数往往长这样class WeightedMSELoss(nn.Module): def __init__(self, weight_rain5.0): super().__init__() self.weight_rain weight_rain def forward(self, pred, target): # target为降水强度连续值 rain_mask (target 0.1).float() weight 1.0 rain_mask * (self.weight_rain - 1.0) return ((pred - target) ** 2 * weight).mean()weight_rain 是第二个必调参数。我见过不少项目把它设成 5 或 10但从实验来看设得过大容易导致预测场出现局部暴雨极值明明没降水的地方也画出一个强中心。经验值是 38 之间先设 5再看验证集上的大雨命中率决定是否增加。4.3 多小时的标签时移3 小时预测不是连续堆 3 次 1 小时这个项目叫“多小时预测”很多人第一反应是把 1 小时预测的结果递归当作输入跑三次。这种做法误差会累积放大。源码里的实现应该是直接输出未来第 1、第 2、第 3 小时的预测场此时输出通道数等于预测时长。核心代码里体现为class RainCastNet(nn.Module): def __init__(self, out_steps3): super().__init__() self.flow FlowBranch() self.texture TextureBranch() self.static StaticBranch() self.fusion Fusion() self.head nn.Conv2d(64, out_steps, kernel_size1) def forward(self, x, static): f self.flow(x) t self.texture(x[:, -1, :, :, :]) # 单帧 s self.static(static) fused self.fusion(f, t, s) return self.head(fused) # [B, out_steps, H, W]这里的 out_steps 是第三个必调参数。如果设成 6就要求标签里准备未来 6 小时的降水场数据若数据只有 3 小时强行设 6 会导致标签缺失。训练时不同预测时刻的损失权重也可以不同常见做法是近时刻权重 1.0远时刻递减到 0.5避免模型为了拟合远期不确定性而牺牲近期精度。4.4 优化器与学习率AdamW 配余弦退火是默认盘这类模型在 1080Ti 或 V100 上训练轮数通常在 50100。源码里优化器部分常见的形态optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-5) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max80)学习率是第四个必调参数。1e-4 只是一个起点不同分辨率的数据集最优学习率可能差一个量级。我判断学习率是否合适的办法是看前 5 个 epoch 的 loss如果一直震荡不下降就降到 3e-5如果稳步下降但验证集指标恶化加 weight_decay 到 1e-4。CosineAnnealing 的好处是后期自动降低学习率帮助收敛比 step decay 少一个需要人工调的学习率衰减节点。4.5 批量大小与显存权衡梯度累积是显存不够的后悔药多分支结构在 batch_size8、输入分辨率 256×256 时显存占用大约 811GB。如果你只有 6GB 显存第一个想到的不应该是换小模型而是梯度累积accumulation_steps 4 # 等效batch_size 8 * 4 32 optimizer.zero_grad() for i, (x, static, target) in enumerate(dataloader): loss criterion(model(x, static), target) / accumulation_steps loss.backward() if (i 1) % accumulation_steps 0: optimizer.step() optimizer.zero_grad()但梯度累积只解决了显存不足没有解决数据分布问题。如果源码默认 batch_size 是 16你靠累积模拟到 16BatchNorm 的统计量依然按每个 mini-batch 计算效果会有细微偏差。如果模型里有 BatchNorm建议在梯度累积模式下把 BatchNorm 换成 GroupNorm否则收敛不稳定这是我踩过的坑。4.6 春季暴雨样本少要不要做类别平衡采样降水数据天然呈现季节不平衡夏季样本多、暴雨多冬季样本少。如果源码提供 sampler 参数可以按标签降水面积比例设计采样权重from torch.utils.data import WeightedRandomSampler weights [] for sample in dataset: rain_area (sample[rain] 0.1).mean() weights.append(1.0 / (0.1 rain_area)) sampler WeightedRandomSampler(weights, num_sampleslen(weights), replacementTrue)这是第五个值得一试的选项。加了采样器后训练集里小雨样本会减少模型对强降水的敏感度明显提升但代价是小雨的空报率上升。所以实际使用时建议只在预训练阶段用采样器在微调阶段切回默认均匀采样。5. 模型跑通后的验证与部署别只盯着一个指标三个角度交叉验证5.1 定量评估命中率、空报率、CSI、FSS 缺一不可很多新手拿到模型后只看测试集 loss 或者准确率这在降水预测里不够。降水场的空间特性导致一个完全错位的暴雨中心也能带来高准确率。源码里如果提供了 eval.py里面通常会计算这几个指标指标含义合理参考区间POD/命中率预测有雨且观测有雨占观测有雨的比例0.6 可接受FAR/空报率预测有雨但观测无雨占预测有雨的比例0.5 可接受CSI命中/(命中空报漏报)中雨 0.3 就不错FSS空间尺度上的预报技巧评分0.5 说明空间结构合理但注意阈值的设定会显著改变这些指标。同一个模型用 1mm/h 判定“有雨”时 CSI 可能 0.55用 8mm/h 判定大雨时 CSI 可能掉到 0.2这不一定代表模型退化了而是强降水本身更难预报。所有指标必须标注采用的是哪个降水阈值否则横向比较没有意义。5.2 可视化检查把预测场和观测场画在同一张图上代码评估是死的人眼是活的。我建议跑完模型后顺手生成一组对比图源码里一般会有 show_prediction.py 之类脚本没有就自己写import matplotlib.pyplot as plt fig, axes plt.subplots(1, 3, figsize(15, 5)) im0 axes[0].imshow(obs[0], cmapBlues, vmin0, vmax20) axes[0].set_title(Observed Rain) im1 axes[1].imshow(pred[0], cmapBlues, vmin0, vmax20) axes[1].set_title(Predicted Rain) im2 axes[2].imshow(np.abs(pred[0] - obs[0]), cmapReds) axes[2].set_title(Abs Error) plt.colorbar(im1, axaxes[1]) plt.savefig(sample_compare.png, dpi150)看对比图要关注三件事降水的落区中心是否偏移如果系统性地往东南偏说明光流分支没有学到真实运动场强降水中心是否过于平滑如果是说明融合时纹理分支权重过大预测场是否出现间断的小碎块如果是检查注意力融合的连续性。这三个现象分别对应不同分支的问题是排查根源的入口。5.3 阶段化评估从 t1 到 t6 逐时刻看衰减多小时预测必须回答一个问题模型的有效预测时长到底是多少。评估时不能只报 3 小时平均 MSE要看每个预测时刻的单独表现。常见做法是metrics {t1_csi: [], t2_csi: [], t3_csi: []} for pred, target in zip(all_preds, all_targets): metrics[t1_csi].append(csi(pred[:, 0], target[:, 0], thr1.0)) metrics[t2_csi].append(csi(pred[:, 1], target[:, 1], thr1.0)) metrics[t3_csi].append(csi(pred[:, 2], target[:, 2], thr1.0))如果 t1 的 CSI 是 0.55 而 t3 降到 0.2说明模型在 3 小时后基本失去预测能力此时对外宣称“有效预测 2 小时”是更严谨的说法。源码里的 predict.py 如果只输出一个平均指标你需要自己补上这段逐时刻统计。这不仅是学术严谨性更是业务方是否敢用的关键依据。5.4 部署时的输入输出约定归一化参数不能丢训练时数据通常做标准化比如把亮温除以 100、把降水取对数等。部署时如果直接喂原始值预测结果会完全失控。源码里 normalize.py 或者 train.py 里的 transform 部分会保存一组参数# 推理阶段必须复用训练时的统计量 IR_MEAN, IR_STD 230.0, 40.0 x (raw_ir - IR_MEAN) / IR_STD pred model(x, static) pred_rain pred * 20.0 # 恢复到真实降水强度这里最容易犯的错误是预测时忘记反归一化导致输出的降水值整体偏小或偏大。我见过有人把归一化参数写死在训练脚本里部署时换了数据源但没换参数结果模型性能归零。正确做法是把统计量存成 npz 或 json 文件推理脚本从文件读取而非硬编码。5.5 上线后的持续验证影子模式跑两周再切换即使离线指标都达标也不要立刻把模型预测结果直接接入业务。一个稳妥的流程是让模型进入影子模式和现行方案并行运行两周对比每天的降雨过程。这段时间重点观察模型对极端事件的反应——如果某次强对流过程模型完全漏报而对流尺度本身在卫星云图里就难以捕捉那么即便平均指标不错也要在业务上添加人工干预机制或阈值触发。6. 避坑指南降水预测跑通到落地最常见的 6 个坑6.1 坑一时间序列拼接错误导致数据泄漏现象训练 loss 降得很低但验证集指标和测试集指标差异巨大。 原因构造训练序列时把相邻样本的滑动窗口重叠使用比如样本 1 用 [t0, t1, t2] 预测 t3样本 2 用 [t1, t2, t3] 预测 t4而 t3 既当标签又出现在下一个样本的输入里。如果 train/val/test 是按时间顺序切分的val 的输入帧在 train 里出现过就构成泄漏。 解决切割数据时确保 train、val、test 在时间轴上完全不重叠滑动窗口只在一个连续块内使用。# 正确做法按时间段切 train data[0:1000] val data[1000:1200] test data[1200:1500]注意不要把切分写错成随机切分时间序列随机切分在降水项目里是致命的。6.2 坑二GPU 显存不足时回收不及时现象训练第 20 个 epoch 时突然报 CUDA out of memory重启后又能继续。 原因验证阶段模型推理后没有清空显存缓存而训练阶段把验证输出也保留在计算图上。 解决验证时用 torch.no_grad() 并主动释放缓存with torch.no_grad(): val_pred model(val_x, val_static) del val_pred torch.cuda.empty_cache()另外检查代码里是否在 epoch 结束时调用了 optimizer.zero_grad()残留的梯度也会占用显存。6.3 坑三输入通道数不匹配现象模型能加载权重但前向传播报 RuntimeError: size mismatch。 原因源码默认输入是单通道红外云图但你的数据里包含多通道水汽、可见光导致 Conv2d 权重形状不匹配。 解决要么修改模型第一层 in_channels要么在数据预处理时只选取红外通道。如果数据里通道顺序不确定优先看运行说明里是否写了通道顺序没有的话用 print(x.shape) 检查数据加载后的形状再决定。6.4 坑四验证指标来回跳动不知道怎么调现象验证 loss 波浪形下降CSI 一阵好一阵差。 原因降水数据本身有很强的日变化和天气过程变化验证集包含一次强对流过程和一段无雨期指标自然会波动。 解决不要让单次 epoch 的指标左右决策把验证集按天气过程分组分别统计强对流样本和非强对流样本的 CSI。分组后如果强对流样本 CSI 始终偏低说明模型训练时该类样本权重不够可加大加权损失中的 weight_rain。6.5 坑五模型权重文件太大加载慢现象每次启动预测都要卡几十秒。 原因权重文件以单精度保存模型如果带静态分支会额外存储空间。 解决加载时用 map_location 参数指定设备checkpoint torch.load(best_model.pt, map_locationcpu) model.load_state_dict(checkpoint[model_state_dict])如果部署机器是 CPU再把模型转成半精度或者量化但降水预测对数值精度敏感不建议盲目用 int8 量化。6.6 坑六预测结果空间分辨率与原图像不一致现象预测降水场明显比输入云图粗糙边缘有锯齿。 原因纹理分支多次池化后没有做上采样融合时空间信息已经丢失。 解决查看 Fusion 模块前是否有 interpolate 对齐操作没有的话手动补texture_feat F.interpolate(texture_feat, size(flow_feat.shape[-2], flow_feat.shape[-1]), modebilinear, align_cornersFalse)输出端建议再加一个反卷积层恢复分辨率否则降水落区的边界会模糊。7. 进阶把静态分支动态化让模型适配新区域和长时序7.1 用 embedding 替代直接拼接静态特征也能参与训练前面讲过地形静态分支通常不参与训练但如果你想迁移模型到新的流域固定权重就限制了泛化能力。进阶做法是给地形高程做一个可学习的 embeddingclass LearnableStaticBranch(nn.Module): def __init__(self, in_channels, embed_dim16): super().__init__() self.embed nn.Sequential( nn.Conv2d(in_channels, embed_dim, kernel_size1), nn.ReLU() ) self.gate nn.Sequential( nn.Conv2d(embed_dim, embed_dim, kernel_size1), nn.Sigmoid() ) def forward(self, static): feat self.embed(static) return feat * self.gate(feat)这里的 gate 机制相当于给每个地形特征学一个门控权重允许网络决定某块地形到底对降水有没有贡献。迁移到新区域时只需要用少量新区域数据微调这部分的嵌入层就能抵消地形分布差异。7.2 把预测时长的门控加入融合不同时效信不同分支t1 时刻云图纹理更新的信息更重要t6 时刻云团演进的历史轨迹更重要。因此可以在融合模块里引入一个“时效条件向量”它由预测时刻编码而成time_emb torch.tensor([t_step / 6.0]).to(x.device) time_feat self.time_mlp(time_emb).unsqueeze(-1).unsqueeze(-1) fused fused time_feat代码里时间条件特征通过广播加到融合后的特征图上让模型知道“我现在要预测的是第几小时”。这个改动在 t4 以上的预测质量提升通常能达到 0.030.05 的 CSI 增益值得一试。7.3 集成策略多尺度输入、多分支变体取平均如果追求更稳的效果不要只训练一个模型。常见做法是训练 35 个随机种子版本推理时对预测场做平均。这个技巧不需要改网络结构只需修改 predict.py 的加载逻辑models [] for seed in range(3): model RainCastNet(out_steps3) model.load_state_dict(torch.load(fbest_{seed}.pt)[model_state_dict]) model.eval() models.append(model) preds [] with torch.no_grad(): for model in models: preds.append(model(x, static)) avg_pred torch.stack(preds).mean(dim0)集成后降水场的空间连续性会变好强中心保留得更完整这是我在多个项目里验证过的低成本技巧。缺点只是推理时间翻三倍但网络本身不大CPU 上也能接受。7.4 最后的建议动手前先画一张数据流图拿到这个压缩包后我建议不要直接运行 train.py 完事先把数据加载、序列拼接、分支融合、损失计算这四部分在纸上画成流程明确每个张量的形状变化。因为多分支结构最怕的是“每个分支都看着没问题合在一起就崩”而数据流图能帮你快速定位是形状不对、数值范围不对还是逻辑顺序不对。这一步看起来慢实际省下的调试时间远超成本。另外如果条件允许用一到两个月的雷雨季数据专门验证强对流个例看模型在最关键场景下的表现是否达标。这些时间花下去项目从“跑通”到“可信”的距离就会清晰可见。希望这套拆解能帮你在降水预测落地上少走一段弯路。本文还有配套的精品资源点击获取
