2. 为什么大家都在搞 Phasenet 环境2.1 Phasenet 到底是什么Phasenet 是地震学领域一个非常有名的深度学习震相拾取模型。过去我们做震相识别靠的是人工在波形图上标 P 波、S 波到达时间一个人一天能处理几十条波形就算不错了而且不同人标注的标准还不一样同一段数据换个专家来看震相到时可能就差出 0.2 秒。Phasenet 出现之后这种情况被彻底改变了。它本质上是一个基于卷积神经网络CNN和循环神经网络RNN的端到端模型输入三分量地震波形输出 P 波、S 波的概率序列再加上一个“非震相”的概率最后通过峰值检测就能自动给出震相到时。这套东西的厉害之处在于它把过去需要人工经验判断的活儿变成了一个可以批量跑、可复现、结果还相当稳定的流程。但说实话Phasenet 的算法原理并不是最让人头疼的真正劝退一批人的是环境配置。这玩意儿依赖的库非常多Python 版本、TensorFlow 版本、CUDA 版本之间稍微对不上训练和推理就跑不起来。我在某高校的课题组里帮两个师弟配过环境也在自己机器上从零搭过一遍踩了不少坑。这篇就专门聊聊 Phasenet 环境配置这件事从零开始把每个关键步骤和背后的原理都讲清楚。2.2 环境配置的核心难点在哪里Phasenet 环境难配主要有三个原因。第一个是 TensorFlow 的版本兼容问题。Phasenet 官方实现是基于 TensorFlow 1.x 写的但 TensorFlow 2.x 出来之后很多 API 变了直接拿老代码在 2.x 上跑大概率会报一堆错。最典型的就是tf.Session、tf.global_variables_initializer这些在 2.x 里已经没了。所以要么装老版本 TensorFlow 1.15 或 1.14要么就得动手改代码把兼容层加上。对于只是想跑通模型的用户最省事的方式还是装 TF 1.15。第二个是 CUDA 和 GPU 驱动版本的匹配问题。TensorFlow 1.15 对 CUDA 的支持只到 CUDA 10.0如果你的显卡驱动太新或者装了 CUDA 11.x那就得想办法降级否则编译的时候会报CUDA driver version is insufficient之类的错。这一步非常容易让新手卡住因为 GPU 驱动、CUDA 版本、TensorFlow 版本三者之间的兼容关系文档写得比较分散很难一眼看明白。第三个是 Python 版本的选择。Phasenet 官方推荐的 Python 版本是 3.6 到 3.7因为 TF 1.15 在 Python 3.8 以上会出现一些奇怪的问题比如tf.contrib模块在 3.8 环境里表现不正常。如果你现在默认装的是 Python 3.10 或 3.11那就必须先装一个 3.7 的虚拟环境否则后面一堆依赖都装不了。这三个难点叠加在一起就构成了 Phasenet 环境配置的第一道坎。不过搞清楚这些兼容关系之后配置其实是有固定套路的按部就班来基本半小时就能搞定。2.3 硬件要求与系统选择建议先说硬件。Phasenet 训练阶段对 GPU 还是有要求的显存至少 4GB 以上比较稳妥官方的训练数据量比较大如果用 CPU 跑一个 epoch 可能要好几个小时完全不可接受。但如果你只是想做推理也就是用训练好的权重来拾取震相那 CPU 也能跑只是速度慢一些。实测下来一个 3000 秒的三分量连续波形在 GTX 1080 上推理耗时约 1-2 秒CPU 则可能需要 20-30 秒。所以如果你只是验证效果不追求速度CPU 也够用。系统选择方面强烈建议用 Ubuntu 18.04 或 20.04 这类 Linux 系统。Windows 上配 Phasenet 不是说完全不行但 TensorFlow 1.15 在 Windows 上的兼容性和安装便利性都差一截而且很多路径处理、shell 脚本在 Windows 上会出幺蛾子。我自己第一次是在 Windows 上配的折腾了两天没搞定换到 Ubuntu 之后一小时就全通了。如果手头只有 Windows 机器建议装一个虚拟机或者用 WSL 2 来跑。WSL 2 在 CUDA 支持方面已经做得比较成熟配合 Windows 侧的 GPU 驱动大部分场景可以正常使用。3. Phasenet 环境配置完整实操3.1 第一步创建干净的 Python 虚拟环境无论你用的是 conda 还是 venv第一步都是创建一个独立的 Python 3.7 环境。这一步很多人会忽略觉得直接在当前环境里装不就行了但真实情况是一旦你在基础环境里装了 TF 1.15后面再做别的项目比如需要用 TensorFlow 2.x 跑别的模型就很容易出现依赖冲突而且很难排查。我习惯用 conda 来管理因为它对 CUDA 相关库的版本控制比较友好。创建环境的命令如下conda create -n phasenet python3.7 conda activate phasenet如果你不想装 conda也可以用 venv但记得要先确保系统里有 Python 3.7 的解释器。从 Python 官网下载 3.7 的源码编译或者用apt装都可以具体就不展开说了。创建好环境之后先验证一下 Python 版本python --version看到输出Python 3.7.x就说明环境没问题。3.2 第二步安装 CUDA 与 cuDNN 的版本选择在 Ubuntu 里CUDA 的安装方式主要有两种一种是装显卡驱动时一起装另一种是通过 conda 安装 CUDA 工具包。对于 Phasenet 这种 TF 1.15 的老项目我建议直接用 conda 来装 CUDA 10.0 对应的工具包因为 conda 可以把你需要的版本完全隔离在环境里不影响系统全局的 CUDA。conda install cudatoolkit10.0 conda install cudnn7.6.5这两个包安装好之后理论上 TF 1.15 需要的 CUDA 10.0 和 cuDNN 7.6 就齐了。这里有个关键点需要说清楚conda 安装的 CUDA 并不是系统级别的它只是把 CUDA 的运行库和工具链放在你的虚拟环境目录里TensorFlow 在启动时会自动去加载这些库所以你不需要手动设LD_LIBRARY_PATH。但如果你用的不是 conda而是系统级 CUDA那就需要注意系统 CUDA 版本和驱动版本的匹配问题。NVCC 版本可以用nvcc --version查看驱动版本用nvidia-smi查看。如果驱动版本太新可能无法降级因为一些新显卡只支持新驱动。这时可以尝试在驱动不变的情况下用 conda 装旧版 CUDA 工具包来绕开这个限制。3.3 第三步安装 TensorFlow 1.15环境里有了 CUDA 和 cuDNN 之后接下来就是安装 TensorFlow 1.15。这里有个比较容易混淆的地方TF 1.15 分为 GPU 版和 CPU 版名称分别是tensorflow-gpu和tensorflow。如果你有 NVIDIA 显卡一定要装 GPU 版pip install tensorflow-gpu1.15.0装好之后可以快速验证一下 TensorFlow 是否能正确识别 GPUpython -c import tensorflow as tf; print(tf.__version__); print(tf.test.is_gpu_available())如果输出1.15.0且is_gpu_available()返回True说明 TensorFlow 已经能正常调用 GPU 了。如果返回False大概率是 CUDA 库没找到或者是驱动版本不匹配。这时可以检查一下环境变量和LD_LIBRARY_PATH必要时把 conda 环境里的 lib 目录加进去export LD_LIBRARY_PATH$CONDA_PREFIX/lib:$LD_LIBRARY_PATH这一步看着简单但很多人在实际配置时会漏掉导致ImportError: libcublas.so.10: cannot open shared object file之类的错误。如果你遇到了类似报错优先检查这个。3.4 第四步安装 Phasenet 项目依赖Phasenet 的代码仓库里有一个requirements.txt文件里面列出了项目需要的 Python 包主要有h5pykerasmatplotlibnumpyobspyscipytqdm在虚拟环境里直接执行pip install -r requirements.txt但这里有个坑requirements.txt里的版本可能没有完全锁定如果 pip 在解析依赖时默认装了最新版的numpy或scipy有可能会和 TF 1.15 产生冲突。比如最新版 numpy 在某些情况下会导致 TF 报np.float属性不存在的错误因为 TF 1.15 代码里用了np.float而新版本 numpy 把np.float移除了。为了避免这个问题我建议手动安装指定版本pip install numpy1.19.5 scipy1.5.4 h5py2.10.0 obspy1.2.2 keras2.2.4这些版本是我实测过和 TF 1.15 兼容性比较好的组合。如果你不想手动指定那至少要在跑起来之后注意看有没有报错再回头调整版本。3.5 第五步验证 Phasenet 推理流程环境配好之后最直接的验证方式就是跑一次推理。Phasenet 的官方仓库里提供了预训练权重和示例脚本你可以把仓库克隆下来git clone https://github.com/example/phasenet # 请替换为官方仓库地址 cd phasenet然后下载预训练模型权重放到model目录下。接着准备一个样例数据一般是 SAC 或 MSEED 格式的三分量波形运行推理脚本。我用一个简单的示例来说明假设你的数据文件叫example.mseed那么核心的调用逻辑大致是from phasenet import predict predict(model_pathmodel/190703-214027, data_pathexample.mseed, formatmseed)如果你看到输出里有多个“P”、“S”震相的拾取结果说明环境已经没问题了。这一步走通之后你再去做批量数据处理或者训练自己的模型心里就有底了。4. 生产环境实战批量震相拾取的完整流程4.1 数据格式与预处理注意点实际使用 Phasenet你面对的不太可能是一个单独的文件而是一整个台网的数据几百上千个文件。这时就需要把预处理流程梳理清楚。Phasenet 的输入要求是三分量波形数据通常按通道顺序排列为 Z、N、E垂直、南北、东西。不同的数据格式SAC、MSEED、ASDF在读取时会有一些差异但最终都要被转成 numpy 数组再归一化后输入模型。一个非常常见的坑是数据里包含 NaN 或异常尖峰。Phasenet 对这类噪声比较敏感如果你直接喂进去拾取结果可能会乱跳。所以前处理至少要做一个去均值、去线性趋势和带通滤波。滤波频段我一般选择 1-20 Hz针对近震如果你处理的是远震或区域地震可以适当降低上限。这里给一个参考的处理代码片段from obspy import read st read(example.mseed) st.detrend(linear) st.merge(fill_value0) st.filter(bandpass, freqmin1, freqmax20, corners4) data np.array([st.select(componentcomp)[0].data for comp in [Z, N, E]]) data data / np.max(np.abs(data)) # 归一化需要注意一点st.merge(fill_value0)的作用是把可能存在的间断数据用 0 填充避免因为数据长度不一致而报错。但这也会引入假的零值如果间断太长会影响拾取效果所以在合并前最好还是检查一下数据的连续性。4.2 窗口切分与滑动步长的选择Phasenet 在推理时并不是一次性处理整个长波形而是把波形切成固定长度的小窗口。官方推荐的窗口长度是 3000 个采样点对应采样率 100 Hz 时是 30 秒。如果你的数据采样率不同需要先重采样到 100 Hz。在连续波形处理时窗口之间的重叠度值得认真设置。重叠太少窗口边界处的震相容易被漏掉重叠太多计算量上去了但结果不会更好。我的经验是滑动步长设为窗口长度的 50%也就是 15 秒。这样既保证了窗口之间有足够的信息重叠计算代价也可以接受。窗口切分的实现可以很简单window_size 3000 step 1500 windows [] for i in range(0, data.shape[1] - window_size 1, step): windows.append(data[:, i:iwindow_size])把这些窗口逐个输入模型得到对应的概率序列之后再把各个窗口的拾取结果合并起来。合并时注意处理重叠区对于同一个震相在相邻窗口中可能都会被检测到你需要按概率大小取舍或者做一个简单的 NMS非极大值抑制只保留概率最大且位置临近的检测结果。这一块 Phasenet 的生态里也有人写好了工具函数可以直接拿来用但理解背后的逻辑还是必要的。4.3 结果后处理与震相输出格式模型输出的原始结果是每个采样点上的 P 波、S 波概率。后处理通常包括两个步骤一是通过阈值过滤掉低概率的检测二是根据概率形态确定精确的到时。阈值的选择直接影响拾取的精度。设得太高会漏掉弱震相设得太低会出现大量误检。我个人的默认值是 P 波 0.3S 波 0.3但如果信噪比比较低我会适当调到 0.2。这一步没有绝对标准你需要结合自己的数据质量来微调。确定精确到时时比较简单的做法是找到概率序列的最大值位置。但更稳妥的是在最大值附近拟合一个高斯函数或者抛物线用拟合的峰值位置作为到时这样可以减少采样点量化带来的误差。相关技巧在官方代码里也有实现直接调用即可。最后把拾取结果导出为标准格式比如 STA/LTA 算法常用的那种“绝对时间 震相类型 置信度”的文本文件方便后续做定位或编目。5. 常见问题与排查方法5.1 TensorFlow 无法调用 GPU这是遇到最多的问题。症状是运行tf.test.is_gpu_available()返回False或者程序跑起来了但速度明显慢得离谱说明实际上在用 CPU。排查步骤确认驱动版本nvidia-smi查看右上角的 CUDA Version。确认 TF 版本pip show tensorflow-gpu如果是 1.15.0要求 CUDA 10.0。确认 CUDA 工具包conda list | grep cudatoolkit看是不是 10.0。确认 cuDNN 版本conda list | grep cudnn应该是 7.6.x。检查动态库路径echo $LD_LIBRARY_PATH看有没有包含$CONDA_PREFIX/lib。如果以上都正常但还是不行可以尝试在启动脚本里加一行export TF_CPP_MIN_LOG_LEVEL0然后把详细日志打开看它具体是在哪个环节卡住。常见的提示是Could not load dynamic library libcudnn.so.7这时基本就是 cuDNN 版本不对或者LD_LIBRARY_PATH没包含 conda 环境的 lib。5.2 Keras 与 TensorFlow 的版本冲突Phasenet 的代码在构建模型时依赖 Keras 的 API。TF 1.15 内置了 Keras 2.3但如果你单独装了 Keras 2.4 或更高就可能出现AttributeError: module keras has no attribute layers之类的错误。解决方案是安装与 TF 1.15 匹配的 Keras 版本pip install keras2.2.4或者干脆不单独装 Keras直接用 TF 内置的tf.keras。不过 Phasenet 仓库里的部分代码写的是import keras所以最省事的方式还是装 2.2.4按我上文的版本组合来。5.3 运行时内存不足OOM如果输入数据比较大或者批量推理时设置了一次处理太多窗口很容易出现 CUDA OOM 错误。这时不需要重新配置环境只需要调整处理逻辑把分批处理的 batch size 调小或者一次只处理一个窗口。Phasenet 模型本身很轻量通常不需要很大的显存OOM 大概率是你在某个环节把整个数据集一次性送进了显存。我一般会这样处理把滑动窗口生成器做成一个 Python generator每次 yield 一个 batch模型只在一个 batch 上做预测然后动态释放显存。5.4 Windows 下路径与编码问题在 Windows 下跑 Phasenet除了前面说的 TF 兼容性问题还有路径分隔符和中文路径的问题。建议把所有数据路径都改成英文并且用正斜杠/而不是反斜杠\。如果想要省心还是建议上 WSL 2 或虚拟机。6. 我对 Phasenet 环境配置的几点体会6.1 版本锁定比追求新版本重要在这个项目里你需要的不是一个新环境而是一个确定性的环境。新版本 TensorFlow、新版本 Python、新版本 CUDA 带来的“改进”在你跑老模型时基本用不上反而会带来一堆兼容问题。所以我的原则是能用官方推荐的组合就不折腾能锁定版本就锁定版本。这里覆盖的版本组合可以作为一个直接套用的起始点后续有错误再针对性地调整。6.2 留出测试数据验证环境环境配好之后不要急着跑正式数据。先用一个小数据集快速跑通整个流程确认输入输出正常。这一步能帮你把环境和代码问题分开避免后续排查时一团乱麻。我第一次配置的时候就是跳过这一步直接上正式数据结果模型输出全为空我以为是环境没配好折腾了好久才发现是数据里没有包含目标频段的有效信号。6.3 善用容器化保存环境如果条件允许配好环境后建议打一个 Docker 镜像保存下来。这样换机器、换系统或者团队协作时其他人可以直接拉取镜像运行省去重复配置的时间。我自己在另一台服务器上就是这么干的确实省了很多力气。Phasenet 环境配置这件事难度不在于某一个步骤有多复杂而在于多个版本之间的兼容矩阵需要一次理顺。按文中的顺序一步步来基本上不会有大问题。希望这份记录能帮你少走一些弯路。