第34章 数据融合异常

几个在实验室的师兄都点开链接，打算观摩一下周昀的独门秘籍。

就连刚刚趴下的邱彦都重新坐直了身子。

几人了看了一会儿，都不由发出感叹。

“我愿称之为——研究生新手入门宝典！”

“确实，我们那时候要有这东西，得少走多少弯路，不说别的，就这装环境，那时候就卡了我一两个月，

学怎么用thub又是一两周，学会怎么找文献又是一两周，各种杂七杂八的东西学下来，半个学期就过去了，

而且这玩意儿又没有系统性的教程，都是自己一点点上网找的，不过你们这倒是好了，有周昀这东西，能省下不少时间。”

“对你们有帮助就行，如果别人有需要的话直接给就好了，只是别让人拿着我的东西去收费就好，看完觉得有帮助给我点个Star呗。”

“点了，要我说，你这玩意儿迟早得火！”

“那借你吉言了。”

短暂的吵闹过后，实验室又恢复了平静。

周昀看着屏幕上的实验记录，第一次感觉有些棘手。

能够支撑模型运行的核心代码他上周就写完了，然后设置了几组实验，跑了六天，今天刚好出结果。

只是这结果，有些不尽如人意。

在选择股票相同的情况下，甚至还没有之前那个只能接受数值和文本数据的阉割版模型效果好。

这就是A领域的问题之一，模型完全是黑盒的，你永远不知道你的数据在模型里是怎么变化传输的，可能某一行代码出了问题，就会导致各种奇奇怪怪的问题。

不过还好，周昀在写代码的时候加入了大量的调试代码，因为每跑一次实验需要的时间太长了，

甚至这次他并没有用到所有的数据，只用了其中的一部分，跑一组实验就得一周，这还是64张H100的显卡集群的情况下，

如果用上全部的数据的话，虽然时间上不会是简单的倍乘关系，但至少也得两周。

但这也就是第一次训练时候需要大量数据才要这么久，等第一次训练好了，后续的再有新的数据，就不需要从头训练，只需要利用新的数据微调就行。

现在他就在看输出日志，观察到底是在哪一个环节出了问题，为了衡量模型的效果好坏，

他在数据预处理，数据融合，模型训练，结果输出这几个方面设计了几个指标。

经过观察，他大概确认了最为可能的一个原因。

数据融合异常。

因为模型接受的数据是多种模态的，所以在预处理之后还有一个数据融合阶段。

根据实验日志来看，问题就出现在了这一阶段。

原本的数据融合算法在只有两种模态数据的时候，效果很好，但是当数据的模态数量逐渐上升，

一些原本没有发现的bu逐渐显现出来，这也是导致最终效果不如原来模型的最为重要的原因。

当然，也可能是因为过拟合，数据泄露，这种普遍性的问题，只不过仅根据这次的输出日志来看，可能性不大。

“嗯......特征维度贡献方差过大？”划动滚轮的手指停下，周昀敏锐地看到了一条异常的输出。

说人话就是，模型在融合信息的时候没有一个轻重缓急，对所有模态的数据都一视同仁，平等对待了所有输入。

这在模态少的时候可能适用，因为数据输入之前，在无形之中其实是多了一个人工筛选的步骤。

比如你要预测股票的涨跌，相比于各种专家的视频分析，你可能会更加相信各种金融指标，所以你就会下意识地选择各种数字指标输入模型，而不是专家的视频分析。

这就隐含地为数据赋予了权重，虽然代码里没有，但它确实是真实存在的。

不过人工筛选终究是有一些小问题的，在金融这个反人类的领域，光凭经验很多时候容易做出错误的判断。

“也就是说，在数据融合的时候，缺少了一个‘智能筛选’的步骤，让模型知道，哪些数据重要，哪些数据不重要。”

“数据筛选.......”周昀手指轻轻敲打着桌面，思考着解决办法。

如果只是单纯的逻辑判断，肯定不行，这样太死板，还不如人来筛选。

置信度？

周昀想了一下，也觉得不行。

置信度其实就是模型对自己输出结果的把握大小，例如一个分类任务，最终模型的输出会在Softmax函数的作用下，变成一连串的概率，

比如分类到A的概率为80%，B任务的概率为10%以此类推。

那么置信度就是采用概率大于一定数值的结果。

这东西听上去玄乎，实际上也是一种比较死板的逻辑判断。

除了这两种，筛选数据的方法其实还有很多，不过周昀都不满意，因为这些方法从他们的底层逻辑来看，都没有达到他想要看到的“智能”。

突然，周昀手指一顿。

如果从另一方面来看，数据筛选，还可以看作是一种数据蒸馏。

数据蒸馏其实很好理解，蒸馏大家都知道，那么数据蒸馏就是通过