在Google Colab上跑通HybridSN高光谱分类：从Indian Pines数据集到完整PyTorch代码避坑

在Google Colab上实现HybridSN高光谱分类的完整实战指南

1. 环境准备与资源优化

Google Colab作为云端计算平台，为深度学习实验提供了开箱即用的GPU环境。但在处理高光谱数据时，仍需注意几个关键配置细节：

GPU选择技巧：

• 进入「运行时」→「更改运行时类型」，选择T4 GPU（免费层最佳选择）
• 若提示资源不足，可尝试在非高峰时段（UTC时间凌晨2-6点）重新连接
• 使用以下命令验证GPU状态：

!nvidia-smi import torch print(f"PyTorch版本: {torch.__version__}") print(f"GPU可用: {torch.cuda.is_available()}")

内存管理策略：

• Indian Pines数据集处理时约需12GB RAM，建议：
  • 及时释放不用的变量：del variable_name
  • 使用gc.collect()强制垃圾回收
  • 大数据分块处理，避免单次加载全部数据

实测发现：当Colab提示RAM不足时，重启运行时并预先加载必要库往往比升级Pro版更有效

2. 数据准备与高效预处理

2.1 数据集获取与解析

Indian Pines数据集包含21025个像素点，但实际有效地理像素仅10249个。推荐使用标准化获取方式：

!wget http://www.ehu.eus/ccwintco/uploads/6/67/Indian_pines_corrected.mat !wget http://www.ehu.eus/ccwintco/uploads/c/c4/Indian_pines_gt.mat

数据维度解析：

2.2 预处理流水线优化

采用PCA降维时，设置whiten=True可提升后续卷积层的稳定性：

from sklearn.decomposition import PCA def applyPCA(X, numComponents=30): newX = np.reshape(X, (-1, X.shape[2])) pca = PCA(n_components=numComponents, whiten=True) # 关键参数 newX = pca.fit_transform(newX) return np.reshape(newX, (X.shape[0], X.shape[1], numComponents))

数据增强技巧：

• 对边缘像素采用反射填充（Reflection Padding）优于零填充
• 使用spectral库的ndimage.rotate实现小角度旋转增强
• 波段标准化采用逐波段Z-score归一化

3. HybridSN模型实现精要

3.1 网络架构创新点

HybridSN的独特之处在于三维卷积与二维卷积的层级组合：

1. 3D卷积阶段：提取光谱-空间联合特征

   • Conv1: 7×3×3 kernel → 捕获宽光谱上下文
   • Conv2: 5×3×3 kernel → 聚焦中等光谱范围
   • Conv3: 3×3×3 kernel → 提取局部精细特征

2. 2D卷积阶段：专注空间特征优化

   • 通过view操作实现维度转换
   • 加入通道注意力机制提升关键特征权重

class HybridSN(nn.Module): def __init__(self): super().__init__() # 3D卷积部分 self.conv1 = nn.Conv3d(1, 8, (7,3,3)) self.conv2 = nn.Conv3d(8,16, (5,3,3)) self.conv3 = nn.Conv3d(16,32,(3,3,3)) # 注意力机制 self.sa1 = nn.Conv2d(576, 36, 1) # 降维 self.sa2 = nn.Conv2d(36, 576, 1) # 恢复维度 # 全连接层 self.fc1 = nn.Linear(18496, 256) self.fc2 = nn.Linear(256, 128) self.fc3 = nn.Linear(128, 16)

3.2 训练技巧与参数调优

超参数设置经验：

• 初始学习率：0.00037（Adam优化器最佳实践）
• Dropout率：0.43（经网格搜索验证）
• Batch Size：128（平衡内存与稳定性）

学习率调度策略：

scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='max', factor=0.5, patience=5, verbose=True )

注意：避免在输出层重复使用Softmax，CrossEntropyLoss已包含该操作

4. 结果分析与可视化

4.1 分类性能评估

使用加权平均指标更准确反映模型表现：

from sklearn.metrics import classification_report print(classification_report( y_test, y_pred, digits=4, target_names=class_names, zero_division=0 ))

典型结果示例：

4.2 结果可视化技巧

使用matplotlib绘制三维特征分布：

from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(figsize=(10,8)) ax = fig.add_subplot(111, projection='3d') ax.scatter(features[:,0], features[:,1], features[:,2], c=labels) ax.set_xlabel('PC1') ax.set_ylabel('PC2') ax.set_zlabel('PC3') plt.show()

实际部署中发现：将PCA降维结果可视化后，可直观判断特征可分性，这对调整网络深度很有帮助。Indian Pines数据在30个主成分后特征增益明显下降，证实了论文中的参数选择。