通信与深度学习交叉研究：文献、代码与笔记三位一体复现库

做通信理论和深度学习交叉方向的人，几乎都会撞上同一堵墙：硬盘里躺着几百篇文献 PDF，收藏夹里塞着十几个开源仓库，笔记软件里散着一堆只写了一半的公式推导，真到动手复现某个想法时，还是得从头翻一遍。我最初也只是想做一个简单的整理，后来发现文献、代码和阅读笔记这三样东西如果分开存放，它们的价值会互相抵消——论文里的假设条件记不住，代码里的实现细节对不上，笔记里的疑问半年后连自己都看不懂。所以这个汇集库的核心不是“收藏”，而是让这三类材料能互相指认、互相校验。

这篇文章适合三类人看：刚进入这个交叉方向、正在被海量文献淹没的研究生；需要把论文方法落到工程链路上的算法工程师；以及已经做过一些复现、但发现自己重复劳动特别多的从业者。我会把自己搭这套东西时的目录约定、文献筛选逻辑、笔记模板、最小学术复现链路的代码骨架，以及那些只有真跑过才会知道的坑，一次讲清楚。你不需要有多深的深度学习背景，但至少要能看懂 OFDM 基带模型和最基本的卷积网络。

1. 为什么要建一个文献、代码、笔记三位一体的库

1.1 只存论文列表会在三个时刻失效

第一个时刻是“我要复现它”。论文正文里的信道模型描述往往是压缩过的，比如一句“采用抽头延迟线模型，功率时延谱服从指数衰减”，这里面至少藏着五个待定参数：抽头数、时延间隔、归一化方式、采样率假设、是否含直视径。光看 PDF 你补不全，必须去找它的开源实现或者自己在笔记里留过推算过程。如果笔记只记了结论没记假设，这一篇就等于白存。

第二个时刻是“我要证明自己的方法和它不一样”。做交叉方向最怕的是辛苦三个月，发现和别人两年前的思路只差一个激活函数。这时候你需要一个能按“方法类型 + 信道模型 + 评估口径”三维检索的库，而不是按会议名字排的文件夹。按会议分文件夹是收藏行为，按问题分文件夹才是研究行为。

第三个时刻是“我要复用代码”。同一个信道仿真器，你在三个项目里重写了三遍，每遍的参数还略有出入，最后连自己都说不清哪一版的结果是可信的。代码如果没有和笔记绑定、没有写清楚它在哪篇文献的哪个假设下成立，它就只是一次性脚本，不是资产。

我给自己定的判断标准很土：一条材料如果半年后我自己都读不懂、跑不起来，那它就不该进库。宁可不存，也不要存一堆需要重新理解一遍的东西。

1.2 我最终落地的目录约定

试过好几个版本，最后稳定下来的结构是这样的：一个仓库、四个顶层目录，全部纳入版本管理（大文件用软链或者外部存储索引，不要真的塞进 git）。

comm-dl-notes/ ├── papers/ # 每篇文献一个文件夹，含笔记 + 元信息 │ └── 2023_conf_chest_deep_unfold/ │ ├── note.md # 三段式阅读笔记 │ ├── meta.yaml # 标题/问题/方法/数据集/评估指标 │ └── refs.md # 它引用的、我需要追的关键文献 ├── code/ │ ├── common/ # 信道生成、调制、评估，全库共用 │ │ ├── channel.py │ │ ├── metrics.py │ │ └── seeds.py │ └── exp_chest_cnn/ # 每个实验一个独立可跑目录 │ ├── configs/ │ ├── train.py │ └── README.md # 对应哪篇文献、复现到哪一步 ├── notes/ │ ├── topics/ # 按主题沉淀，比如"信道估计的评估口径" │ └── daily/ # 流水账，允许粗糙 └── runs/ # 训练输出、曲线、日志，不进版本库

关键在code/common这一层。信道生成、信噪比定义、误码率统计这三个东西，只要全库统一，你就消灭了后面 80% 的“结果对不上”问题。我踩过最典型的一次坑：两个实验目录各自写了一份噪声生成代码，一份把噪声功率按导频符号功率归一化，一份按全带宽总功率归一化，两条误码率曲线差了将近 3 dB，排查了整整两天。

meta.yaml不是形式主义，它是让检索成为可能的唯一手段。我的字段固定为：problem（解决什么问题）、method（方法大类，如深度展开、自编码器、监督去噪）、channel（信道模型）、metric（评估指标）、baseline（对比对象）、repro（是否复现、复现到哪一步）。这六个字段填完，你就已经把那篇论文吃透了三分之一。

2. 通信理论与深度学习交叉的问题地图

2.1 五个高频交叉点及其落地难度

这个领域看着很大，实际高频的落点就那么几个。我把它们按“理论成熟度”和“工程落地难度”排了一下，这张表我放在库的首页，用来快速判断一篇新文献该往哪个格子里塞。

这张表最有用的地方不是分类，而是提醒我“别在低成熟度方向上死磕复现”。语义通信那块，不同论文的评价指标五花八门，有的用重建质量，有的用下游任务准确率，你根本没法横向比较，硬复现只会把自己耗死。反过来，信道估计与去噪这一格，因为基带模型清晰、评估指标单一（归一化均方误差加误码率），是最适合新手建立完整复现肌肉记忆的入口。

我在实际选择时还有一条隐藏标准：这篇论文的方法能不能塞进现有的、模块化的链路里。能塞进去的，说明它的接口定义清楚；塞不进去的，往往意味着作者自己也没想清楚输入输出到底是什么。

2.2 一篇文献值不值得复现的四个过滤问题

文献读多了会有一个错觉，觉得每篇都值得动手。我的经验是，用四个问题快速过一遍，能筛掉八成。

第一问，它的输入到底是什么？是接收信号的原始采样、频域导频观测、还是已经过信道估计的粗估计？这个问题答不上来的论文，基本可以直接归档不看了，因为它的实验部分一定也写得含糊。

第二问，它的监督信号从哪来？很多去噪类工作用的是“真实信道 + 噪声”合成训练集，那就要问：训练时的信道分布和测试时的信道分布是不是同一套生成器？如果是，那它本质上是在学过拟合一个已知分布，性能好看但迁移性存疑。这个问题能帮你提前判断复现出来的结果该不该高兴。

第三问，它的复杂度代价写清楚了没有？参数量、推理时延、是否需要迭代。我见过不少论文只报增益不报代价，等你复现完发现推理时延是基线的二十倍，工程上根本不可用。

第四问，它的对比基线是不是“调过的”？判断方法很朴素：看基线的参数有没有说明来源，看基线在低信噪比区间的曲线是否异常平滑。基线没有调优的论文，增益数字参考价值有限。

我的习惯是把这四问的答案直接写进meta.yaml的repro字段，写成“值得复现 / 只读结论 / 待观察”三档。三个月后回头看，这个字段比任何笔记都省时间。

3. 文献整理：让半年后的自己还能检索到

3.1 命名规则与标签体系

文件名是一切的入口。我用的格式是：

年份_来源_主题关键词_一句话方法.md

比如2023_conf_chest_deep_unfold.md、2022_journal_csifeedback_quantized_ae.md。不要用论文原始标题当文件名，太长了而且在终端里根本看不清。一句话方法用四到六个字，强迫自己压缩，这个压缩过程本身就是理解。

标签体系我控制在三个维度、每个维度不超过八个值，多了就失去意义：

• 问题维度：信道估计、CSI 反馈、译码、调制识别、端到端
• 方法维度：监督去噪、深度展开、自编码器、强化学习、模型驱动
• 场景维度：单天线、大规模天线、高移动、低信噪比、量化约束

三个维度交叉检索，基本能在十秒内定位到你要找的那批文献。这套东西听着简单，但一定要在文献量还小的时候建立，等到三百篇再回头补标签，人的惰性会赢。

我还会在每篇笔记的开头写一行“反查指针”：这篇解决了哪篇留下的坑，又被哪篇超越了。文献不是孤立的点，是一条有因果链的线。把这条线画出来，你在写自己的论文或者做技术选型时，才知道自己站在哪个位置。这一行字，我通常是在读完相关工作的第三节之后才敢写，因为只有那时候你才知道作者自己认为的对手是谁。

3.2 三段式阅读笔记模板

笔记模板我用过很多种，最后精简到三段，超过三段的部分一律放进topics/里单独成文。原因是每篇都写长篇笔记，写不动也读不完。

第一段，一句话结论加一句个人判断。比如“用展开网络替代迭代阈值算法，在低信噪比下增益约 2 dB，但参数量随迭代次数线性增长，工程上要把迭代次数压到 5 以内”。结论必须是可证伪的数字，不能是“效果显著提升”这种废话。

第二段，关键公式与假设条件。这一段的写法有讲究：不要抄论文的公式，要写下你自己推导时的中间步骤，尤其是那些论文跳过的步骤。比如从最小二乘估计推到线性最小均方误差估计，中间用到了信道与噪声不相关的假设，这个假设在什么情况下不成立，一定要写下来。我给自己定的规矩是：凡是我抄下来的公式，一周后必须能不看原文重新推一遍，推不出来说明当时就没懂。

第三段，复现要点与遗留疑问。写清楚需要哪些输入、输出维度是什么、训练数据怎么来、大概需要多少算力、有哪些地方论文没写清楚。遗留疑问这一栏最有价值，我库里的技术方向基本都是从这里长出来的——同一个疑问在不同论文的笔记里反复出现三次，那就是一个真问题。

举个具体的例子。有一篇讨论深度展开信道估计的文章，我在笔记第三段记下的疑问是：“展开层数增加后，训练集上的归一化均方误差持续下降，但验证集在第六层之后开始回升，作者没有讨论这个问题。”这个疑问后来变成了我自己做实验的一个切入点：展开网络的层数和信道时变速度之间是否存在匹配关系。这种从笔记里长出来的问题，比你硬想出来的选题要扎实得多。

4. 代码复现：从公式到能跑通的最小链路

4.1 依赖固化与随机种子

代码目录的第一条纪律：任何实验目录，必须能在新环境里一条命令重建。我的做法是每个实验目录放一个requirements.txt加一个configs/base.yaml，版本号全部锁死，不用>=。这不是洁癖，是因为深度学习框架的小版本变动会改变默认初始化方式，你半年前跑出的结果，换个环境就复现不出来。

随机种子要单独抽成一个模块，统一管理三处：数据生成、参数初始化、批次采样。很多人的种子只设了框架那个全局种子，忘了数据生成用的是另一套随机数发生器，结果每次跑出来的信道实现都不一样，曲线抖得厉害还以为是模型不稳定。

# code/common/seeds.py import random import numpy as np import torch def set_seed(seed: int = 20240101): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic = True torch.backends.cudnn.benchmark = False

关掉benchmark会让训练慢一点，但换来的是可复现性，做研究阶段我认为这笔交易划算。等到做部署性能测试时再单独打开。

4.2 一个最小可跑的信道估计实验

下面这条链路是我用来给新人练手的标准件，也放在code/exp_chest_cnn/里。它足够小，单卡几分钟能跑完一轮，但把“数据生成 → 传统基线 → 神经网络 → 评估”四个环节全串起来了。

先看数据生成。这里用的是典型的多径抽头延迟线模型，功率时延谱按指数衰减，频域信道通过离散傅里叶变换得到，导频均匀插入。

# code/common/channel.py import numpy as np N_FFT, N_TAP, N_PILOT = 64, 8, 16 P_IDX = np.arange(0, N_FFT, N_FFT // N_PILOT) # 每 4 个子载波放一个导频 def gen_batch(batch=256, snr_db=10.0, rng=None): rng = rng or np.random.default_rng(0) # 指数衰减功率时延谱，归一化到单位总功率 pdp = np.exp(-np.arange(N_TAP) / 2.0) pdp = pdp / pdp.sum() # 复高斯抽头 g = np.sqrt(pdp / 2) * ( rng.standard_normal((batch, N_TAP)) + 1j * rng.standard_normal((batch, N_TAP)) ) # 频域信道响应 H = g @ F^T n = np.arange(N_FFT) F = np.exp(-2j * np.pi * np.outer(n, np.arange(N_TAP)) / N_FFT) H = g @ F.T # (batch, N_FFT) # 导频符号功率归一为 1，噪声方差即 10^(-snr/10) sigma2 = 10 ** (-snr_db / 10) noise = np.sqrt(sigma2 / 2) * ( rng.standard_normal((batch, N_PILOT)) + 1j * rng.standard_normal((batch, N_PILOT)) ) H_ls = H[:, P_IDX] + noise # 导频位置的最小二乘估计 return H, H_ls

这里必须写清楚一件事：信噪比是按导频子载波上的符号功率定义的。如果你后面把噪声加到全带宽上，或者导频符号带了功率提升，这个定义就变了，曲线立刻对不上。这条注释我要求写在函数里而不是文档里，因为看代码的人不看文档。

然后是插值基线和网络。基线用线性插值把导频位置的估计扩展到全带宽，网络在这个粗估计上做残差修正。这种“传统方法打底、网络做修正”的结构，比让网络从零学映射要稳得多，收敛也快。

# code/common/interp.py import numpy as np def linear_interp(H_ls, n_fft=N_FFT): xp = P_IDX / (N_FFT - 1) x = np.arange(n_fft) / (n_fft - 1) re = np.interp(x, xp, H_ls.real) # 沿最后一维插值 im = np.interp(x, xp, H_ls.imag) return re + 1j * im

注意np.interp在边界之外会取端点值，也就是外推成常数。这在导频贴着带宽边缘放置时问题不大，但如果你的导频图案中间有空洞，边界行为会影响误码率平台，这一点后面排查章节还会提到。

网络部分，输入是两个实数通道（实部和虚部），输出是同样形状的残差：

# code/exp_chest_cnn/model.py import torch import torch.nn as nn class ResCNN(nn.Module): def __init__(self, ch=32): super().__init__() self.body = nn.Sequential( nn.Conv2d(2, ch, 3, padding=1), nn.ReLU(), nn.Conv2d(ch, ch, 3, padding=1), nn.ReLU(), nn.Conv2d(ch, 2, 3, padding=1), ) def forward(self, x): # x: (B, 2, N_FFT, 1) return x + self.body(x) # 学习残差而非直接映射

训练循环里有两个细节值得单独说。一是损失函数，我用的是归一化均方误差而不是普通均方误差，因为不同批次的信道功率有波动，普通均方误差会让网络偏向功率大的样本。二是数据是每步在线生成的，不预先存成固定数据集，这样每一轮看到的信道实现都不同，相当于一种数据增强，但也意味着你必须保证生成器的随机性是可复现的。

# code/exp_chest_cnn/train.py（核心片段） import numpy as np, torch, torch.nn as nn from common.channel import gen_batch from common.interp import linear_interp from common.seeds import set_seed from model import ResCNN set_seed(20240101) rng = np.random.default_rng(20240101) net = ResCNN().cuda() opt = torch.optim.Adam(net.parameters(), lr=1e-3) def to_tensor(H): H = torch.from_numpy(H).cuda() x = torch.stack([H.real, H.imag], dim=1) # (B, 2, N_FFT) return x.unsqueeze(-1) # (B, 2, N_FFT, 1) for step in range(20000): snr = rng.uniform(-5, 20) # 混合信噪比训练 H, H_ls = gen_batch(batch=256, snr_db=snr, rng=rng) H_coarse = linear_interp(H_ls) x = to_tensor(H_coarse) y = to_tensor(H) pred = net(x) num = ((pred - y) ** 2).sum(dim=(1, 2, 3)) den = (y ** 2).sum(dim=(1, 2, 3)) + 1e-12 loss = (num / den).mean() # 归一化均方误差 opt.zero_grad(); loss.backward(); opt.step()

混合信噪比训练这一点，是我试过多次之后确定下来的。如果只用单一信噪比训练，模型在高信噪比区间几乎不带来增益（噪声本来就小），在低信噪比区间又会过度平滑；用 -5 到 20 dB 的均匀采样，模型学到的是“不同噪声水平下该保留多少细节”，泛化明显更好。代价是单一信噪比下的峰值性能会略低于专门训练的模型，这是个明确的取舍，不是缺陷。

4.3 评估口径：三个指标必须同时报

复现最容易翻车的地方不是模型，是评估。我要求自己每个实验必须同时报三个数：归一化均方误差、误码率、推理耗时。只报前两个的论文，工程上没法用；只报后两个的，看不出方法本身的增益。

误码率这一项特别要说清楚：如果你的系统里还有信道编码，那误码率曲线是编码前的还是编码后的，差别巨大，两条曲线能差一个数量级。我在meta.yaml里专门加了一个字段记这件事，因为横向对比时不统一这个口径，所有结论都不成立。

还有一个小细节，评估阶段必须固定信道生成器的种子，而且要和训练用的种子分开。用训练种子评估，等于在训练分布上评估，数字会虚高。我的做法是训练用 20240101，评估用 77777，两个种子写死在配置里，任何人拉下来跑都是同一批测试信道。

5. 踩坑与排查实录

5.1 信噪比定义与归一化的三类事故

第一类，噪声加到哪一级。加在导频观测上、加在接收信号上、加在频域还是时域，这四种组合的功率归一化方式完全不同。我见过最隐蔽的一次：噪声在时域生成，然后做傅里叶变换到频域，变换本身不改变总功率但会重新分配，如果代码里又按子载波功率补了一次归一化，等效信噪比就偏了。解决办法只有一条：在数据生成函数的返回值里同时返回实际的信噪比，训练前打印一行核对，别嫌麻烦。

第二类，信道功率归一化。多径信道的抽头功率和你设定的功率时延谱之间，差一个总功率因子。如果忘了归一化，信道整体偏强，等效信噪比偏低，你会看到所有方法在小信噪比区间都表现很差，误以为是模型不行。我现在的做法是在gen_batch里强制断言pdp.sum()接近 1，不满足直接报错。

第三类，网络输出和输入的尺度不一致。残差结构下这个风险小一些，但如果你用的是直接映射（网络直接输出信道），输出层没有约束，训练初期预测值可能比真值大好几个数量级，梯度直接爆掉。这种情况加个输出归一化或者干脆改成残差结构，比调学习率有效得多。

提示：任何一次实验，先在无噪声条件下跑一遍。如果无噪声时归一化均方误差还下不去，那问题一定在代码结构上，跟噪声、跟模型容量都没关系。

5.2 结果对不上时的二分排查法

复现结果和论文差距大，不要一上来就怀疑模型。我固定用下面这个顺序二分：

第一步，把噪声关掉，只留信道。看估计误差是否趋近于零。如果这一步就失败，说明数据生成或者网络输入输出对接错了，后面所有对比都没意义。

第二步，去掉神经网络，只跑传统基线（最小二乘加线性插值）。把这个基线在高信噪比下的误码率曲线和理论预期比。如果基线本身就是错的，说明你的链路模型和论文不是同一个。

第三步，把训练集和测试集换成同一批信道实现，看模型能不能过拟合到接近零误差。如果连过拟合都做不到，那是优化问题（学习率、初始化、损失尺度），不是泛化问题。

第四步，恢复正常设置，只改变一个变量：先只改信噪比范围，再只改信道模型，再只改网络深度。每次只动一个，记下来。

这套流程看着笨，但它能把“不知道哪里错了”变成“知道哪里没错”。我实际排查中，七成的问题都止步于第一步或第二步。

还有一类特殊情况值得单独提：训练损失正常下降，但验证集指标在某个点之后变差。这时候先别怀疑过拟合，去看看验证集用的信道模型是不是和训练集不同。如果不同，那这不是过拟合，是分布偏移，解决方案是扩大训练时的信道模型范围，而不是加正则化。

5.3 常见问题速查表

这张表我贴在实验目录的README.md顶部，新人进来先看这个，能省掉大量重复提问。它不是穷举，但它覆盖了实际会遇到的大部分情况。

6. 维护节奏与几条个人体会

6.1 每周固定动作

这套库最大的敌人不是技术难度，是停止维护。我给自己定了三个固定动作，每个都不超过一小时。

每周一是“清空收件箱”：把上周存下来但没分类的文献，快速过一遍四问，分成值得复现、只读结论、归档三档，只处理一遍，不拖延。每周三是“跑通一次”：随便挑一个实验目录，从零开始按README.md重建环境跑一遍最少的轮次。这个动作听起来多余，但它是唯一能保证“半年后还能跑”的办法，我靠它发现过好几次依赖悄悄失效的问题。每周五是“补笔记”：把这一周实验里冒出来的疑问，写进对应文献的第三段，或者独立成一篇topics/文章。

三个月下来，库里的有效条目会稳定增长，而且每一条都是能跑、能读、能追溯的。这比收藏夹里躺三千篇要值钱得多。

6.2 关于失败复现的记录价值

最后说一个我踩了很久才想明白的点：复现失败的记录，价值不低于成功的。

我早期只记成功案例，失败的直接删掉。结果半年后同一个坑又踩了一遍，因为我不记得自己试过了。现在的做法是，任何一次复现失败，都要在README.md里写清楚三件事：试到哪一步、卡在什么现象、怀疑是什么原因。哪怕最后没解决，这段记录也能让下一次尝试从第三步开始而不是从零开始。

有一条具体的经验：如果一个方法你复现了两次都没跑出论文的数字，第三次就别再硬试了，转而去看它的消融实验设计。很多论文的增益其实来自训练技巧或者数据增强，而不是它主推的那个结构，这些东西正文里往往一笔带过，只有在你把消融实验重做一遍时才会暴露出来。我目前库里有三篇文献被标成“增益存疑”，都源于此，而这个标注本身，比复现成功更有信息量。

库建起来之后，你会发现真正的收益不在“我存了多少”，而在“我知道自己不知道什么”。那些反复出现的疑问、反复失败的实验、反复对不上的曲线，才是这个方向上真正值得投入的地方。