我的GPU是4090，应该比绝大部分人的GPU好了。但是训练一个普通的ConvLSTM网络，三层的神经网络，需要的时间代价就非常夸张了。再加上题目中的1，3，7km这种多高程信息。时间代价又翻三倍。第二问要求对第一问的改进，又需要重复训练三次。如果实验设备不好的话，绝大部分卖课团队的答案绝对动了点手脚。

　　而很多卖课团队的深度学习模型都太夸张了，不要时间成本一样。第一天就写完了所有论文所有答案，我只能说牛逼。

　　首先找到了出题老师的论文，发现出题老师论文支撑材料提供的数据与比赛数据一致。便采用了和南京大学出题老师一样的数据预处理。

　　第一问的模型方面采用了2015年的Convlstm，很多新的模型效果可能会更好，但是我们队实在不想琢磨网络。最后的预测结果也仅仅是在热力图轮廓上能一周，数值上不行 。但是精挑细选找了一个预测最好的做了可视化。

　　第二问的关键参考资料是一个关于视频的卷积网络 里面提出了对损失函数加权处理可以改进。于是和论文一样做了SSIM，MAE，MSE的加权损失函数。后来为了增加工作量又加了GDL损失 ，发现模糊确实改善明显，然后又精挑细选了一个预测不错的图

　　第三问的参考资料是一篇中文的，里面提出了ZR关系的经验公式。很明显是做最小二乘法拟合。但发现实际效果比较差，后来把原始数据256✖️256的平均降维成16份64乘64。减少数据量的同时发现效果变好了不少。另外发现，拟合前需要对单位做转换 。

　　第四问是评估双偏振雷达对贡献，我们团队主要查阅了单偏振能干什么。并以单偏振能得到的数据重现了第三问的工作，通过对比表现双偏振的优越。最后还给了些常见虚警率各种指标。就完成了评估