1. 这个汇集到底解决什么问题

通信理论加深度学习这个方向，很多人第一次接触时会有一种强烈的错位感：手边的通信教材讲的是信道容量、误码率上界、最优检测，满篇积分和概率密度；而深度学习那边的材料讲的是损失函数、梯度、注意力机制，满屏张量维度。两套语言各自都自洽，可一旦要把它们接起来，问题就来了——论文里一句“用神经网络替代传统检测器”，背后到底替代了哪一步、输入输出是什么、训练标签从哪来、仿真曲线怎么和理论界对齐，这些细节往往要翻十几篇文献、跑几个开源仓库才能拼出全貌。

我做这个汇集，最初纯粹是被自己的低效逼出来的。同一个信道估计的问题，隔三个月再回来看，笔记散在几个文档里，代码散在几个文件夹里，当时想明白的推导过程已经忘得差不多，只能重来一遍。后来索性按“文献、代码、阅读笔记”三件套的方式重新组织：每读一篇有价值的材料，就配一份能跑的最小代码，再写一页笔记把“它解决什么问题、关键假设是什么、我复现时哪里对不上”记下来。时间一长，这套东西就变成了一个可以反复调用的小型知识库。

这篇分享面向三类人：一是通信、电子、信号处理背景，想把自己的领域知识接到深度学习上但不知道从哪下手的同学；二是深度学习背景，被拉去做通信相关任务，看到信道模型、星座图、误码率曲线一头雾水的人；三是已经在做相关工作，需要一个稳定可复用的文献管理和复现流程的从业者。我不打算讲某个具体算法多厉害，而是想把“怎么组织这套材料、怎么读、怎么跑、怎么避免自欺欺人”这套流程说清楚，因为踩过的坑基本都在流程上，不在算法本身。

2. 整体设计：三层结构怎么搭

2.1 为什么按“文献—代码—笔记”三层来分

一开始我试过按技术方向分类，比如“信道估计”“信号检测”“端到端学习”各建一个文件夹。结果很快就乱了：一篇论文往往同时涉及检测和估计，一份代码可能既做仿真又做训练，分类边界模糊，最后变成到处复制粘贴。后来改成按材料形态分层，问题一下就清楚了。

第一层是文献层，只放原始材料：论文、综述、教材章节、技术报告。这一层的原则是“只读不改”，严格保留出处和获取时间，不做任何加工。第二层是代码层，每个有复现价值的材料配一个独立目录，目录里必须有能一键跑起来的入口脚本和一份说明假设的配置文件。第三层是笔记层，用统一的模板记录“材料讲了什么、关键假设、我的复现结果、偏差在哪、可以怎么改”。

这样分层的好处是，三层之间的引用关系是单向的：笔记引用代码，代码引用文献，文献不引用任何东西。你随时可以只更新一层而不影响其他层。我实测下来，这个结构支撑两三百份材料的规模完全没有压力，检索也快——想找某个任务的所有尝试，直接搜笔记里的任务标签就行。

2.2 目录骨架与命名约定

具体骨架大致是这样，不必照抄，但命名规则值得参考：

comm-dl-vault/ 01-papers/ # 按年份+短标签命名，如 2021-end2end-ae.pdf 02-notes/ # 与论文同名的 .md，一页一篇 03-code/ # 每个任务一个目录 ch-est-ls/ config.yaml run.py README.md 04-sim/ # 公共仿真工具：信道模型、调制、指标计算 05-logs/ # 实验结果原始输出，按日期分目录

命名上我强制两条规则。第一，所有文件名只用小写字母、数字和连字符，不用空格和中文，避免跨平台和脚本处理的麻烦。第二，论文和笔记同名，代码目录用任务缩写而不是论文标题，因为同一个任务往往会试好几种方法，代码目录要能横向比较。这两条看着琐碎，但等到你要写脚本批量统计“某个任务下所有方法的误码率”时，就知道统一命名省了多少事。

2.3 一份材料值不值得收：三条准入标准

汇集最怕变成垃圾场，什么都往里塞。我给自己定了三条准入标准，不满足就不收，宁可空着。

第一，它必须回答一个我能用一句话说清楚的问题。比如“在信道状态信息不完美的条件下，基于学习的检测器性能退化有多快”，这种能落到具体实验上的问题才收。如果读完只能说“它提出了一种新框架”，说明我还没读懂，先不收。

第二，它必须能对应到一个可执行的验证动作。哪怕只是复现一张图、跑通一个简化的仿真链路，也比纯收藏强。纯理论推导类的材料可以收，但要在笔记里明确标注“待验证”，避免自己误以为已经掌握。

第三，它必须和已有材料形成关系。要么是同一问题的另一种解法，要么是对某个假设的放松，要么是推翻了我之前的某个结论。孤立的材料价值很低，能挂到已有知识树上的才有长期价值。这三条标准执行下来，我收材料的数量少了大概一半，但回头翻看的频率高了很多。

3. 知识地图：把两套语言对齐

3.1 通信侧真正需要吃透的五个模块

不管做什么具体任务，通信侧的知识基本围绕五个模块转：信源与调制、信道模型、估计与检测、编码译码、资源分配。这五块是深度学习介入的主要接口，每一块都要清楚“传统方法的最优解长什么样、它的假设是什么”。

调制这块要熟悉星座图和欧氏距离的关系，因为大量学习类方法最终输出的是软信息或者对数似然比，本质还是在星座点上做判决。信道模型要分清楚大尺度衰落和小尺度衰落的区别，明确自己仿真时用的是哪一类，加性白噪声的方差怎么定。估计与检测要理解最小二乘、最小均方误差、最大似然三者的适用条件和复杂度差异，这是判断一个学习类方法有没有意义的基准线。编码译码至少要懂线性分组码和卷积码的基本结构，知道译码器输入是软信息。资源分配则涉及优化问题的建模，功率、带宽、用户调度这些变量怎么约束。

我在笔记里给每个模块都留了一页“最小必要知识”，只写我认为绕不过去的公式和直觉解释，不抄教材。比如信道容量那一页，我只写了一句话加一个公式：信噪比每提高三倍，容量大约多一个比特每符号，以及这个结论成立的前提。这种极简写法逼着我判断什么才是真正必要的。

3.2 深度学习侧的四类工具与适用边界

深度学习这边，通信任务实际用到的工具其实没那么多。第一类是前馈网络和卷积网络，用于把接收信号这种结构化数据映射到某个输出，卷积特别适合处理具有局部相关性的序列。第二类是循环网络和时序模型，用于处理存在记忆的信道或者译码过程。第三类是自编码器结构，把整个收发链路当成一个可微系统联合优化。第四类是图神经网络和注意力机制，用于处理多用户、多天线这种天然带结构关系的场景。

关键在于知道边界。通信问题的输入维度往往不高，但物理约束极强，很多任务的理论最优解是已知的，神经网络能带来的增益主要来自“模型不匹配”和“计算复杂度”这两个缝隙。如果一个任务的传统方法已经逼近理论界且复杂度可接受，硬上网络大概率是负收益。我在笔记里专门有一页记录“哪些任务我试过但结论是不值得”，这类负面结论比正面结论更有价值，能省掉后来者重复踩坑的时间。

3.3 一张对照表把两边接起来

下面这张表是我贴在汇集首页的，用来看清每个通信模块对应什么样的学习范式、常见输入输出是什么、评价指标该怎么定。

这张表的价值不在信息量，而在于强迫我为每个格子填上具体内容。填不出来的格子，说明我对那条路径的理解还停留在名词层面，需要回去补课。后来我还加了一列“我的复现状态”，用未开始、跑通、曲线对齐、结论可信四档标注，一眼就能看出自己的进度在哪。

4. 文献怎么筛、笔记怎么写

4.1 文献分三层读，别一上来就啃最新的

文献我分三层。底层是奠基性材料，包括经典教材的相关章节和早期把神经网络引入通信的几类工作，这一层的目的是建立正确的物理直觉，读的时候要慢，公式要自己推一遍。中层是方法类论文，也就是针对某个具体任务提出新结构的那些，这一层读摘要、图表和实验设置，重点看它和基线比在什么条件下赢、赢多少。顶层是工程类和综述类，用来了解真实系统里的约束和当前共识。

很多人一上来就追最新，结果发现读不懂，因为最新工作默认你熟悉前两层的所有约定。我的做法是先把底层打通，再按任务横向扫中层，最后用综述校准方向。每层的阅读方式也不同：底层做完整笔记，中层只记“问题、方法、结论、疑点”四行，顶层做主题式汇总。这个分层让我在一个方向上的入门时间从几周压缩到几天，因为不再需要每篇都从头读起。

4.2 三栏笔记模板：事实、推断、待验证

笔记模板我改过很多版，最后稳定成三栏：事实栏、推断栏、待验证栏。事实栏只写材料明确说了什么，包括实验设置、数据集、超参数、报告的数字，不允许掺入我的理解。推断栏写我基于事实做的判断，比如“它在这个信噪比区间赢，可能是因为……”，并且必须标注这是我的推断。待验证栏写需要动手确认的点，每条都要能转成一个具体实验。

这个模板最大的作用是防止记忆污染。人的记忆会自动把“论文说的”和“我以为的”混在一起，过几个月就分不清了。分栏之后，回头看笔记能立刻知道哪些是原文结论、哪些是我的猜测。我还有个习惯，每篇笔记末尾写一行“如果只能记住一句话”，逼自己提炼，提炼不出来说明还没读透。这一行往往就是后来检索时最先看到的内容。

4.3 阅读节奏与批量处理技巧

单篇精读很耗时，我的做法是批量处理：一次集中看同一任务的五到八篇，先全部只读摘要和图表，画一张横向对比表，标出各自的条件和结论，再挑出两到三篇精读。这样做的原因是，同一任务的不同论文往往共享大量背景，批量读能把重复部分一次性消化掉，边际成本递减。

具体节奏上，我会把一个下午分成三段：第一段两小时扫读建表，第二段两小时精读并写笔记，第三段一小时把笔记里的待验证项转成实验清单。这个节奏实测下来，一个下午能稳定产出三到五篇可用笔记。要注意的是，扫读阶段一定要克制，不要在某篇上陷进去，看到有意思的先记一笔，留到精读阶段再处理，否则批量处理就退化成单篇精读了。

提示：笔记里务必记录材料的获取时间和版本。同一个方向的方法迭代很快，半年前的结论可能已经被新工作修正，没有时间戳的笔记很容易误导自己。

5. 代码复现：从最小链路开始

5.1 环境与公共仿真层怎么搭

环境上我坚持两条：依赖锁定、随机种子可控。依赖用虚拟环境加锁定文件，避免半年后回来跑不起来；所有涉及随机的环节，包括噪声生成、数据打乱、参数初始化，统一从一个种子派生，保证同一配置能复现同一结果。这两条听着基础，但我在汇集里见过太多“代码还在、结果复现不了”的情况，基本都是栽在这上面。

公共仿真层是整个汇集里最值得投入的部分。我把调制解调、信道生成、误码统计这些反复用到的功能抽成独立模块，每个函数只做一件事，输入输出明确，不带任何训练相关逻辑。这样做的好处是，上层的学习类方法可以随时替换，底层仿真保持稳定，横向对比才有意义。公共层我还会配一组单元测试，比如理想信道下无噪声传输必须零误码、信噪比提升误码率必须单调下降，这些测试能挡住大部分低级错误。

5.2 一个能跑的最小链路：调制加信道加估计

下面这段是最小可运行链路的骨架，用来说明各环节怎么衔接。它不追求性能，只保证逻辑正确、指标可算。

import numpy as np def qpsk_mod(bits): # 每两个比特映射为一个复数符号，归一化到单位功率 symbols = (2 * bits[0::2] - 1) + 1j * (2 * bits[1::2] - 1) return symbols / np.sqrt(2) def awgn_channel(symbols, snr_db, rng): # 按符号信噪比计算噪声方差，复数噪声功率平分到实虚两部 snr_linear = 10 ** (snr_db / 10) noise_var = 1.0 / snr_linear noise = np.sqrt(noise_var / 2) * ( rng.standard_normal(symbols.shape) + 1j * rng.standard_normal(symbols.shape) ) return symbols + noise def ls_channel_estimate(rx_pilot, tx_pilot): # 最小二乘：用已知导频直接相除，注意防止除零 return rx_pilot / (tx_pilot + 1e-12) def qpsk_demod(symbols): bits = np.empty(symbols.size * 2, dtype=int) bits[0::2] = (symbols.real > 0).astype(int) bits[1::2] = (symbols.imag > 0).astype(int) return bits

这段代码的关键在于三处约定，我建议在汇集里明确写死。第一，功率归一化：所有星座点平均功率为一，噪声方差直接由信噪比推出，不引入额外缩放因子。第二，噪声方差的分配：复数噪声总功率平分到实部和虚部，这一步写错会导致曲线整体平移三倍分贝，是最常见的错误。第三，最小二乘里加一个极小量防止除零，虽然理想情况下不会遇到，但信道深衰落时很实用。

5.3 端到端自编码器的最小实现

把收发链路当成自编码器时，最容易出错的是“不可微环节”的处理。下面是一个极简结构，用来说明可微近似和功率约束怎么落地。

import torch import torch.nn as nn class End2EndLink(nn.Module): def __init__(self, n_bits=4, hidden=64): super().__init__() self.encoder = nn.Sequential( nn.Linear(n_bits, hidden), nn.ReLU(), nn.Linear(hidden, 2), nn.Tanh() ) self.decoder = nn.Sequential( nn.Linear(2, hidden), nn.ReLU(), nn.Linear(hidden, n_bits) ) def forward(self, bits, noise_std): tx = self.encoder(bits) # 功率归一化：约束平均符号功率为一 tx = tx / tx.pow(2).mean().sqrt() rx = tx + noise_std * torch.randn_like(tx) return self.decoder(rx)

几个实操要点。编码器输出二维实数加正切激活，相当于让网络自己学一个二维星座，这是替代固定调制的最直接做法；功率归一化用当前批次的平均功率来做，属于批归一化的变体，训练时要注意批次大小的选择，太小会导致功率估计抖动。训练目标是逐比特的交叉熵，损失函数用带对数几率的版本比均方误差稳定得多。噪声标准差作为输入在训练时逐步增大，相当于一种课程学习，能让学到的星座对不同信噪比都表现平稳。

5.4 复现纪律：种子、日志、曲线三条铁律

复现最怕的不是跑不通，而是跑通了却不知道自己跑的是什么。我给自己定了三条铁律。一是种子固定到每个随机源，包括框架的、数据生成的、环境探索的，并在日志里打印出来。二是每次运行必须落一份完整配置日志，包括代码版本、依赖版本、超参数、数据哈希，一个都不能少，日志存到独立目录按日期归档。三是任何结论都必须有曲线支撑，且曲线要和基线放在同一张图里、同一批测试数据上跑出来。

第三条最容易被忽略。很多复现失败其实是比较条件不一致：测试数据不同、评估时机不同、信噪比扫描范围不同。我在汇集里要求所有对比实验共用同一份测试集，测试集只生成一次、固定保存，评估脚本统一。这样即使方法本身有随机性，至少比较的基准是稳的。有了这三条，复现结果的可用性提升非常明显，回头查问题时也能快速定位是代码变了还是数据变了。

6. 典型任务拆解与参数选择

6.1 信道估计：从最小二乘到学习增强

信道估计是最适合入门的任务，因为流程清晰、指标明确。传统基线就是最小二乘和最小均方误差：前者简单但对噪声敏感，后者引入了信道统计信息、在低信噪比下明显更好。学习类方法通常输入导频位置的接收信号，输出全带宽的信道响应，相当于学一个从稀疏观测到密集估计的映射。

参数选择上有几个经验值。一是导频密度，仿真里一般从四分之一开始调，密到一定程度增益就饱和了，白白浪费资源。二是网络规模，这个任务不需要很深的网络，几层卷积加残差连接通常就够，参数量过大极易过拟合到特定的信道模型上。三是评估必须用归一化均方误差，并且要分信噪比区间报告，只报平均值会掩盖低信噪比下的关键差异。我在汇集里专门标注了一条：如果训练和测试用的是同一个信道模型、同一组参数，那结果只能说明网络拟合了这个模型，不能说明它有泛化能力，必须做跨模型测试。

6.2 信号检测：软信息输出的坑最多

信号检测的学习类方法有两种路线，一种是直接输出比特硬判决，另一种是输出软信息再交给译码器。前者评估简单但和实际系统脱节，后者才是有工程意义的做法，但坑也集中在这里。软信息的定义涉及对数似然比，输出范围是正负无穷，网络训练时需要做裁剪，裁剪阈值直接影响译码性能，这个参数必须和译码器一起调，不能单独定。

另一个坑是类别不平衡。高阶调制下不同比特位的可靠度差异很大，如果不做加权，网络会偏向容易的比特位，平均误码率看着不错，但个别比特位的性能很差。我的做法是分比特位统计误码率，任何一个位置明显掉队就回头查损失函数。还有一个常被忽略的点：检测器的复杂度要在论文里明确说明，包括推理时延和参数量，因为传统线性检测的复杂度极低，学习类方法如果在复杂度上不占优，就需要在性能上有足够大的增益才站得住脚。

6.3 信道译码：别拿短码的结论推长码

译码任务的学习类方法吸引人的地方在于降低迭代次数或者降低时延，但复现时最容易犯的错是用短码验证完就推断长码也成立。码长一长，序列依赖变复杂，循环网络和注意力机制的记忆能力就成了瓶颈，短码上的增益往往大幅缩水。

实操上我的建议是先固定码结构和码长，把基线译码器的迭代次数扫一遍，找到性能饱和点，再拿学习类方法在相同误块率下比迭代次数和时延，这样比较才有意义。训练数据的构造也要注意：随机生成的信息比特和真实场景的分布不同，如果应用场景有特定的错误模式，训练集里必须包含，否则网络学到的只是平均情况。另外译码输出必须是合法码字或者至少经过校验，纯粹靠网络输出不做约束，偶尔会出现校验失败的块，这在指标上表现为误块率曲线出现平台，很容易被误判成训练不充分。

6.4 资源分配与多用户场景：优化建模不能丢

多用户、多天线的资源分配任务里，学习类方法常被用来替代迭代优化以降低时延。这类任务的关键是约束必须硬性满足，而神经网络的输出天然不保证约束满足，这是最大的风险点。常见做法是输出后接一个投影层，把结果映射回可行域，或者用结构化的输出层直接保证约束。

我踩过的一个坑是只比了目标函数值，没比约束违反程度，结果发现某些配置下目标值好看但功率超了。后来在评估里加了一列约束违反率，问题立刻暴露。另一个经验是，这类任务的训练数据分布极其重要，用均匀分布的信道采样训练，遇到真实场景里的极端信道就会崩，所以训练集里要刻意掺入边缘样本。强化学习路线还要额外注意奖励设计和训练稳定性，奖励尺度不对会导致策略退化，这个在汇集里有单独一页记录调参过程。

7. 常见问题与排查实录

7.1 训练完全不收敛或者损失不动

这是最高频的问题，原因通常分三类。第一类是数据管线，标签和输入错位、归一化不一致、批次里混了不同分布的数据，这类问题表现为损失从一开始就很大且不下降。排查方法是取一个极小批次，手工检查输入输出的对应关系，必要时用固定数据过拟合几个样本，如果连几个样本都过拟合不了，一定是管线问题。

第二类是数值问题，学习率过大、激活函数饱和、损失函数里有对数零，表现为损失出现异常值或者变成非数。排查时把学习率降两个数量级再试，同时检查所有除法和取对数的位置是否加了保护。第三类是结构问题，比如输出层的激活和任务不匹配，做回归却用了限制范围的激活，或者输入维度接错了。我的习惯是第一次跑新结构时把网络缩到极小、数据缩到极小，先确认能过拟合，再逐步放大，这个流程能挡掉八成问题。

7.2 仿真曲线和理论曲线对不上

这类问题最消耗时间，因为可能是任何环节。我的排查顺序是固定的：先查噪声方差定义，再查功率归一化，再查信噪比的定义口径，最后查统计样本量。噪声方差和功率归一化这两处出错会导致曲线整体平移，而信噪比口径不一致会导致横轴错位，这两种现象很好区分：平移看纵轴，错位看横轴。

实测下来，最常见的错误是复数噪声的方差分配，很多人按总功率算却忘了实虚平分，结果等效信噪比差三倍分贝，曲线看起来“性能不好”其实是仿真错了。另一个常见问题是统计样本量不足，低误码率区间需要极多样本才能统计稳定，样本不够时曲线会抖动甚至出现假的平台。我的做法是给每个误码率点设定最小错误数而不是固定样本数，错误数不够就继续采样，这样曲线在高信噪比区间也能保持平滑。

7.3 模型换个信道就崩：泛化性怎么测

在单一信道模型上训练和测试，结果通常很好看，但一换模型就崩，这是这个方向最普遍的问题。要暴露这个问题，必须在汇集里固定一套跨模型测试协议：训练用一组信道参数，测试用另一组，并且明确规定参数差异范围。我一般会准备三档测试，同分布、轻微偏移、明显偏移，分别报告性能，这样能看出模型的退化曲线而不是一个孤立的数字。

如果退化严重，改进方向通常不是加深网络，而是改训练策略：在训练时对信道参数做随机化，相当于数据增强；或者把信道参数作为额外输入，让模型有条件地适应；再或者用少量目标域样本做微调。这几种做法的代价和收益差别很大，随机化最省事但可能拖慢收敛，条件输入需要额外的估计环节，微调效果最好但依赖目标域数据。我在笔记里对每个任务都记了这三种方案的实测对比，方便后来直接选。

7.4 问题速查表

下面这张表是我贴在汇集里的速查表，遇到问题先对号入座，能省不少时间。

注意：速查表只能加速定位，不能代替根因分析。每次问题解决后，务必在笔记里补一条记录，写明现象、原因、处理方式和验证结果，否则同一个坑会反复踩。

8. 汇集的维护与后续扩展

8.1 目录结构与版本管理的几个实操细节

汇集规模上去之后，维护成本主要来自两件事：文件找不到、结论过时。前者靠命名规则和统一入口解决，后者靠版本标记。我给每份笔记加了一个状态字段，四档：草稿、已复现、已对齐、可信。只有达到“可信”的结论才会被引用到汇总页，草稿和已复现的内容留在原地但明确标记，避免自己误用半成品结论。

版本管理上，代码用常规的版本控制工具管理，每次结论性实验打一个标签，标签名包含任务缩写和日期。文献层不做版本管理，但每份材料记录获取时间和来源类型。笔记层跟着代码走，代码打标签时笔记同步更新状态。这套机制运行下来，最大的好处是任何一条结论都能追溯到具体的代码版本和实验日志，写总结或者回答别人问题时不用凭记忆。

8.2 值得继续扩展的几个方向

这套汇集往后还能往几个方向长。一是补上跨任务的统一评测框架，现在每个任务的评估脚本各自独立，横向比较还要手工对齐，如果能统一成一套接口，效率会明显提升。二是补充更多负面结论，也就是“试过但没用”的记录，这类内容在公开材料里很少见，但对实际决策的价值很高。三是把公共仿真层做得更完整，尤其是信道模型部分，目前覆盖的场景还比较有限。

还有一个我觉得很有价值的方向是把笔记里的“待验证”项做成一个持续更新的清单，按可行性排序，每次有空就挑一条做掉。这个清单实际上就是个人的研究路线图，比凭空想选题靠谱得多。我在实际使用中发现，真正推动理解深度的往往不是读了多少篇，而是把那些悬而未决的小问题一个个验证掉，每验证一个，整张知识地图就清晰一分。

最后分享一个我在维护过程中养成的小习惯：每隔一段时间，随机抽一份早期笔记，试着不看原文把里面的核心推导或者实验复述一遍。能复述出来说明这份笔记是有效的，复述不出来说明当时写得不够清楚或者理解本身就不牢，回头补。这个动作花不了多少时间，但能持续校准这套汇集的实际质量，避免它变成一个看起来很美、实际用不上的收藏夹。