简介这是一套结合Python编程与深度学习的信号波达方向DOA估计入门示例面向信号处理初学者及希望掌握神经网络在阵列信号处理中应用的开发者。资源围绕窄带信号的DOA估计展开解析了利用深度学习模型自动学习信号特征、进而预测信号源方向的基本思路相比传统估计算法更具非线性适应性。压缩包内含6个Python脚本总大小仅1KB脚本包含正弦/余弦波形绘制、图像显示等基础可视化功能常用于辅助理解信号生成与数据展示环节。该资源目前已有874人学习适合作为快速上手深度学习DOA估计的起点。读者可从中获得紧凑的示例代码组织方式与可视化方法并可在此基础上结合TensorFlow、PyTorch等框架替换为实际阵列数据进行扩展实验尤其适用于课程设计或技术预研场景。1. Python DOA 深度学习估计为什么我放下 MUSIC 转投神经网络做阵列测向的朋友大概都遇到过这种场面低信噪比、快拍又不够的时候MUSIC 算法扫出来一片模糊的谱峰值一多就分不清哪个是真实目标方向。传统 DOA 估计在这类场景下表现不稳于是越来越多人把目光转向 Python DOA 方向的深度学习估计——用神经网络直接学习接收协方差到角度空间的映射。这个 ch01_PythonDOA 式的工程仓库通常就对应一个开箱能跑的 Python 实现numpy 生成阵列数据、PyTorch 训练估计网络、再附一份能对比的 MUSIC 基线。适合想快速验证深度测向效果的信号处理工程师也适合刚入门的同学照着把整条链路跑通。本文按我的落地习惯从数据模型讲到训练代码再到最容易翻车的地方全程可复现。2. 把接收数据变成训练样本从导向矢量到协方差矩阵的一行代码深度学习做 DOA 估计很多人第一步就想上网络结果连输入是什么都说不清。先别急把阵列信号的数学模型写出来后面训练集的生成才不会变成玄学。这章我们只做一件事用 Python 把接收数据变成协方差矩阵再把协方差矩阵变成网络的输入。2.1 均匀线阵的接收模型相位差是怎么变成角度信息的常见的阵列配置是均匀线阵ULAM 个阵元等间距排成一条线。远场窄带信号到达阵列时不同阵元之间只差一个波程差反映在复信号上就是一个随角度变化的相位旋转。这个相位旋转的规律就是导向矢量steering vector。import numpy as np def steering_vector(M, theta_deg, d_lambda0.5): 生成均匀线阵的导向矢量 参数: M: 阵元数 theta_deg: 来波方向, 单位度 d_lambda: 阵元间距 / 波长, 默认0.5即半波长 返回: shape(M,) 的复数向量 k 2 * np.pi * d_lambda # 波数乘间距 position np.arange(M) # 阵元位置, 以波长为单位 phi k * position * np.sin(np.deg2rad(theta_deg)) return np.exp(1j * phi)这段代码的核心是最后一行每个阵元收到的信号相对参考阵元有个exp(1j * phi)的相位旋转。角度越大相邻阵元间的相位差越大这就是阵列测向的物理基础。d_lambda0.5表示阵元间距取半波长是均匀线阵避免栅瓣的常规选择小于半波长会降低角度分辨率大于则会出现虚假峰。有了导向矢量M 元阵列接收 K 个远场信号时某一时刻的接收向量可以写成 x A s n。A 是 K 个导向矢量并排组成的 M×K 矩阵s 是 K 个信号的复幅度n 是噪声。实际处理中我们不知道 s 的瞬时值能稳定利用的是信号的统计特征——协方差矩阵。2.2 协方差矩阵为什么它是特征而不是原始采样不管是 MUSIC 还是深度学习 DOA 估计几乎都吃同一个输入接收数据的协方差矩阵 R E[x x^H]。之所以不用原始采样序列是因为快拍数少的时候直接处理时域波形很难掘出稳健的角度信息而协方差矩阵把能量分布和相位关系浓缩成一个 M×M 的复数矩阵既保留了空间相关性又压缩了数据量。def sample_covariance(x_snapshots): 由多快拍接收数据估计协方差矩阵 参数: x_snapshots: shape(M, T) 的复矩阵, T为快拍数 返回: shape(M, M) 的复数协方差矩阵 M, T x_snapshots.shape # 样本协方差: 对快拍维求平均 R (x_snapshots x_snapshots.conj().T) / T return R每个快拍 x(t) 是 M 维复向量T 个快拍组成一个 M×T 的矩阵。这里用矩阵乘法一次算完所有相关性除以 T 是取均值。快拍数 T 的选取直接影响协方差矩阵估计的稳定度T 太小噪声项在 R 里占比过大T 太大实时性又变差。我一般生成训练数据时在 64 到 512 之间随机采样让网络适应不同快拍下的噪声形态。这里有个新手容易犯的错误拿原始采样信号直接当网络输入。采样序列长度可能上千网络要自己学会算相关性数据利用效率低泛化也差。把协方差矩阵作为输入相当于把传统信号处理的先验知识塞给了网络训练起来省力得多。2.3 MUSIC 基线让深度模型有个对照物深度学习模型的性能到底好不好得有个传统算法做刻度尺。MUSIC 是 DOA 估计里最经典的超分辨方法它利用协方差矩阵特征分解后信号子空间与噪声子空间的正交性在角度网格上扫描谱峰。写一个能跑的 MUSIC 基线对后面评估深度模型至关重要。def music_spectrum(R, M, n_sources, grid_deg): MUSIC 空间谱 参数: R: 协方差矩阵 M: 阵元数 n_sources: 信源数, 用于切分信号/噪声子空间 grid_deg: 角度扫描网格, 单位度 返回: 与grid_deg等长的谱值数组 eigvals, eigvecs np.linalg.eigh(R) # 特征值升序排列, 后面几个对应噪声子空间 noise_eigvecs eigvecs[:, :-n_sources] spectrum [] for theta in grid_deg: a steering_vector(M, theta).reshape(-1, 1) # 谱函数的分母是导向矢量到噪声子空间的投影距离 denominator a.conj().T noise_eigvecs noise_eigvecs.conj().T a spectrum.append(1.0 / np.abs(denominator).item()) return np.array(spectrum)注意np.linalg.eigh对 Hermitian 矩阵做特征分解特征值默认升序排列所以最后几列是噪声子空间。这里的 n_sources 是必须提前告诉算法的关键参数估计错了谱峰位置会偏移甚至出现伪峰。正是这个“必须知道信源数”的要求让 MUSIC 在处理复杂环境时比较脆弱也是深度学习估计切入的痛点能不能把“特征分解”和“信源数判断”这两件事一起学出来。为了和后面深度模型对齐MUSIC 谱在使用前通常要做归一化比如把谱值映射到 0 到 1 之间。深度模型输出的空间谱和 MUSIC 谱放在同一尺度下比较RMSE 才有意义。2.4 深度学习视角把谱估计当作一个可学习的映射如果忘掉特征分解的数学推导MUSIC 本质上就是一个从 R 到空间谱的确定性映射输入是 M×M 复数矩阵输出是定义在角度网格上的谱。深度学习估计的思路很直接用神经网络逼近这个映射但不去显式建模特征分解的中间步骤。这个视角的妙处在于网络不再受“信源数必须已知”的限制。输入端给协方差矩阵输出端给空间谱网络在训练过程中自己学会从谱峰数量和位置反推角度。相比 MUSIC 需要手动指定 n_sources深度学习估计更像是端到端的回归。近两年热起来的 SubspaceNet DOA 方法本质上是在网络中间层显式加入一个“近似子空间分解”的结构让网络先学出类似特征向量的表示再做谱估计。这个思想我们在后面第 4 章的模型设计里会用到与其让网络直接输出角度不如先压缩成低维子空间特征再映射到空间谱训练更稳泛化也更好。3. 制造一份不坑的 DOA 数据集信噪比、网格与软标签的三处关键设置数据生成是深度学习 DOA 估计里最容易被低估的环节。我见过不少模型训练代码写得漂亮结果数据集里有泄漏验证集指标虚高得离谱。这章把样本生成、标签制作、数据集划分三个环节逐一拆开每一步都给出能复制的代码。3.1 批量生成训练样本的函数生成深度学习训练样本时要模拟完整的接收链路随机来波方向、随机信号幅度、随机噪声、按快拍数叠加。为了让网络学会在不同信噪比下工作每个样本的 SNR 也应该是随机采样的而不是固定在一个值。def generate_sample(M8, T256, snr_db_range(0, 20), n_sources_range(1, 3), grid_res1.0, seedNone): 生成单个DOA训练样本 参数: M: 阵元数 T: 快拍数 snr_db_range: 信噪比范围, 均匀采样 n_sources_range: 信源数范围(含两端) grid_res: 角度网格分辨率, 决定标签长度 返回: cov: 协方差矩阵 (M, M) label: 空间谱软标签 (n_grid,) theta_true: 真实角度 (n_sources,) if seed is not None: np.random.seed(seed) grid np.arange(-60, 60 grid_res, grid_res) n_sources int(np.random.randint(*n_sources_range)) # 保证两个源之间至少间隔6度, 避免标签黏连 theta_true np.sort(np.random.uniform(-55, 55, sizen_sources)) while np.min(np.diff(theta_true)) 6.0: theta_true np.sort(np.random.uniform(-55, 55, sizen_sources)) # 信号幅度: 随机相位 随机增益 signal (np.random.randn(n_sources, T) 1j * np.random.randn(n_sources, T)) / np.sqrt(2) A np.stack([steering_vector(M, th) for th in theta_true], axis1) x_signal A signal # 噪声功率按SNR反推, 每个样本独立生成噪声 snr_db np.random.uniform(*snr_db_range) noise_power 10 ** (-snr_db / 10) noise np.sqrt(noise_power / 2) * ( np.random.randn(M, T) 1j * np.random.randn(M, T)) x x_signal noise cov sample_covariance(x) label make_soft_label(theta_true, grid, sigma_deg2.0) return cov.astype(np.complex64), label.astype(np.float32), theta_true这段代码有几个细节值得注意。信源数在 1 到 3 之间随机角度间隔强制不小于 6°避免两个源靠得太近导致标签峰完全重合每个样本的 SNR 单独随机采样保证网络见过各种信噪比噪声是独立生成的不是在一个固定噪声上叠加不同角度——这一点极其关键稍后在第 5 章的泄漏问题里细说。make_soft_label函数生成软标签下一小节单独讲。整个生成流程刻意让信源数和角度都随机化这样训练集覆盖的场景足够广模型才有泛化能力。建议先跑 100 个样本打印标签形状和真实角度确认数据链路无误再大规模生成。3.2 标签设计用高斯核软标签代替整数索引DOA 估计的输出有两种常见设计一种是把角度网格当成分类问题输出一个 n_grid 维的 one-hot 向量另一种是回归问题直接输出角度值。我推荐第三种输出空间谱软标签本质上还是密集分类但每个真实角度附近用高斯函数扩展出一定宽度。def make_soft_label(theta_true, grid_deg, sigma_deg2.0): 生成高斯核软标签 参数: theta_true: 真实角度数组 grid_deg: 角度网格 sigma_deg: 高斯核宽度(度) 返回: 归一化到(0, 1)的谱标签 label np.zeros(grid_deg.shape[0], dtypenp.float32) for theta in theta_true: # 每个真实角对应的高斯峰 label np.exp(-0.5 * ((grid_deg - theta) / sigma_deg) ** 2) # 剪到[0, 1], 避免多个峰重叠时超过1 return np.clip(label, 0.0, 1.0)为什么不直接用 one-hot因为 one-hot 把角度当成完全独立的类别两个相邻格点之间的真实角度在标签里没有位置网络学出来会存在固有量化误差。高斯软标签给每个峰一个宽度让网络学会“约莫在这个位置”的模糊概率预测出来再做峰值插值精度可以达到网格分辨率以下。sigma_deg 的取值直接影响训练效果。取值太小软标签退化成近似 one-hot训练慢且量化误差大取值太大两个靠近的源会连成一个峰网络分不开。2 到 3 度是常见范围配合 1 度网格分辨率既保留角度接近信息又不会让相邻峰糊成一团。3.3 训练集与验证集的划分打散数据前先检查三个泄漏坑数据集划分看起来是简单的 train_test_split但在仿真数据里埋了三个隐蔽的坑。第一个是噪声样本复用同一个噪声矩阵被用于多个角度样本时训练集和验证集会出现样本级关联模型其实记住了噪声而不是泛化了角度估计能力。第二个坑是角度集合重叠。如果你生成数据时角度值取固定网格点比如 0 度用了几百次其中一部分进了训练集一部分进了验证集验证集性能会虚高。解决办法每个样本的角度和幅度全部随机采样保证训练与验证没有重复样本。第三个坑是快拍数和 SNR 分布不一致。如果训练集 SNR 区间是 (0, 20) dB验证集却只取 (15, 20) dB那是在变相降低任务难度。验证集和训练集应该使用完全相同的分布参数。def build_dataset(num_samples20000, M8, T256, seed42): dataset_cov [] dataset_label [] for i in range(num_samples): cov, label, _ generate_sample(MM, TT, seedseed i) dataset_cov.append(cov) dataset_label.append(label) return dataset_cov, dataset_label # 训练集与验证集分开生成, 从源头避免样本重叠 train_cov, train_label build_dataset(16000, seed100) val_cov, val_label build_dataset(4000, seed200)验证集单独用不同的 seed 从头生成是这里最关键的习惯。很多人习惯先生成一整份数据再打乱划分这本身没错但前提是生成过程没有复用任何随机量。分开生成更保险代价只是多跑几十秒换来的是评估结果可信度高得多。3.4 参数设置速查表参数推荐范围影响与说明阵元数 M8 ~ 16决定输入尺寸与角度分辨率换值需重新训练快拍数 T64 ~ 512训练时随机采样增强对不同噪声稳定性的适应SNR 范围训练 0 ~ 20 dB若实际场景高 SNR可提升到 10 ~ 30 dB角度范围-60° ~ 60°与均匀线阵有效视野匹配超出容易栅瓣网格分辨率1°越小精度越高但标签维度和训练量随之上升信源数范围1 ~ 3覆盖单源与多源模型才能学到峰值分离标签高斯宽度2° ~ 3°太小训练慢太大多源分不开这些参数不是死值。如果你的应用场景是声呐或麦克风阵列阵元数可能只有 6 或更少如果是雷达测向M 可能到 32。关键原则是训练阶段让参数的分布覆盖推理阶段可能遇到的范围而不是给一个定值。分布覆盖是数据生成阶段最重要的思路。4. 用 PyTorch 搭一个可跑的测向网络输入形态、模型结构与训练参数数据准备好了接下来是网络与训练。这章从输入特征构造开始给一个能直接在本地跑通的最小模型再把训练代码的关键部分拆开讲清楚。环境方面在 VSCode 里配好 Python 和 PyTorch 就能跑不需要额外安装复杂的依赖包。4.1 输入特征把复协方差矩阵转成网络友好的形状PyTorch 的卷积层不支持复数乘法所以协方差矩阵要先转成实值特征。主流做法有两种一种是取矩阵上三角的实部和虚部拼成向量另一种是保留完整的 M×M 实部矩阵和虚部矩阵当作双通道输入。我推荐第二种因为它保留了阵元间的空间结构可以用卷积去提取局部相关性。def cov_to_feature(R): 协方差矩阵 - 双通道特征 参数: R: (M, M) 复数协方差矩阵 返回: (2, M, M) 的实值float32张量 # 除以迹做尺度归一化, 消除信号功率带来的尺度因子 R_norm R / np.trace(R).real feature np.stack([R_norm.real, R_norm.imag], axis0) return feature.astype(np.float32)除以迹这一步很关键。协方差矩阵的尺度受信号功率影响同一个来波方向在大功率和小功率下 R 的幅值差很多。如果不归一化网络第一个卷积层就得学“把尺度因子除掉”白白增加训练负担。归一化之后SNR 信息仍然保留在阵元间相对幅度里只是整体尺度统一了。代码里np.stack(..., axis0)把两个 M×M 矩阵堆成 (2, M, M) 的张量第一个通道是实部第二个是虚部。这个形状可以直接喂给 Conv2d只要把in_channels2即可。4.2 最小可跑模型三层卷积加空间谱头模型设计上我建议不要一上来就上 Transformer 或大网络。DOA 估计的输入尺寸很小——8 阵元时只有 (2, 8, 8)大网络反而容易过拟合。一个小而稳的卷积网络足够达到实用精度训练也快。import torch import torch.nn as nn class DOANet(nn.Module): 输入: (batch, 2, M, M) 实/虚部特征 输出: (batch, n_grid) 未经过sigmoid的空间谱 def __init__(self, n_grid121): super().__init__() self.features nn.Sequential( nn.Conv2d(2, 16, kernel_size3, padding1), # (16, M, M) nn.BatchNorm2d(16), nn.ReLU(inplaceTrue), nn.Conv2d(16, 32, kernel_size3, padding1), # (32, M, M) nn.BatchNorm2d(32), nn.ReLU(inplaceTrue), nn.Conv2d(32, 64, kernel_size3, padding1), # (64, M, M) nn.BatchNorm2d(64), nn.ReLU(inplaceTrue), nn.AdaptiveAvgPool2d((1, 1)) # (64, 1, 1) ) self.head nn.Linear(64, n_grid) def forward(self, x): x self.features(x).flatten(1) return self.head(x)网络结构很直白三层卷积逐渐把通道数从 2 扩到 64最后用全局平均池化压成 64 维向量再接一个全连接层输出空间谱。n_grid 是角度网格点数比如 -60° 到 60° 间隔 1° 就是 121 个点。输出层不加 sigmoid因为训练时用 BCEWithLogitsLoss 会把 sigmoid 和 loss 合并计算数值更稳定。这段代码和 SubspaceNet DOA 的思想是一致的前端卷积网络类似于对协方差矩阵做子空间压缩后端全连接层相当于在压缩后的特征上估计空间谱。区别是 SubspaceNet 对中间特征有显式的低秩约束我们这里用卷积自动学实现更简单效果在小阵元场景下相差不大。4.3 训练循环损失函数与三个必调参数模型输出是谱形状标签是软标签最合适的损失函数是 BCEWithLogitsLoss——它把 sigmoid 和二值交叉熵放在一起比手动加 sigmoid 再算 BCE 在数值上更稳。损失函数都收敛得差不多关键在三个超参数上。import torch.optim as optim def train_model(model, train_loader, val_loader, epochs60): optimizer optim.Adam(model.parameters(), lr1e-3, weight_decay1e-5) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_maxepochs) criterion nn.BCEWithLogitsLoss() for epoch in range(epochs): model.train() total_loss 0.0 for cov_feat, label in train_loader: optimizer.zero_grad() logits model(cov_feat) loss criterion(logits, label) loss.backward() optimizer.step() total_loss loss.item() scheduler.step() # 每5个epoch在验证集上算一次角度RMSE if (epoch 1) % 5 0: rmse evaluate_doa_rmse(model, val_loader) print(fepoch{epoch1:3d} loss{total_loss:.4f} fval_rmse{rmse:.3f} deg) return model训练参数我一般这样设学习率 1e-3 配余弦退火60 个 epoch 足够收敛batch size 在 64 到 128 之间由显存定weight_decay 给一个很小的值防止过拟合。验证指标不直接看 loss而是看角度 RMSE——先把输出谱取峰值位置再与真实角度比偏差。loss 降得再低角度偏了也没用。判断模型是否收敛我会同时观察训练 loss 和验证 RMSE。训练 loss 持续下降而验证 RMSE 不再变好说明软标签的峰值形状已经学得差不多两个指标都停滞可能是学习率太小或数据分布不够广。调试时优先调 SNR 范围和数据量其次才动网络结构——大多数时候问题不在模型而在数据。5. 深度学习 DOA 估计避坑5 个让我翻车的细节与解决记录数据与训练代码都能跑通之后真正的挑战才开始。以下 5 个问题是仿真场景里最容易遇到的每一条都是实际项目里反复踩过的坑。5.1 训练 loss 很低但角度预测偏差大现象训练和验证的 BCE loss 都降到 0.1 以下可把预测谱的峰值位置与真实角度一对比偏差到了 2° 到 3°远高于预期。原因网格分辨率只有 1°模型被迫把角度量化到最近的格点上本质上有天然误差如果软标签高斯宽度太小峰值附近的梯度信息不足网络对峰中心的位置学得不够精细。解决把网格分辨率从 1° 提到 0.5°同时将高斯核宽度设置为网格间隔的 2 到 3 倍预测阶段用抛物线插值在峰值附近做亚网格修正。def peak_interpolate(spectrum, grid_deg): 对谱峰做抛物线插值, 突破网格分辨率限制 idx int(np.argmax(spectrum)) if idx 0 or idx len(spectrum) - 1: return grid_deg[idx] # 用峰值及其左右两点拟合抛物线 y0, y1, y2 spectrum[idx-1], spectrum[idx], spectrum[idx1] delta 0.5 * (y0 - y2) / (y0 - 2*y1 y2) return grid_deg[idx] delta * (grid_deg[1] - grid_deg[0])这个插值函数把精度从网格分辨率提升到接近 0.1° 到 0.2°代码量只有十行。推广到多源场景时先找谱峰再对每个峰做一次插值即可。用了插值后同样模型的角度精度能提升一个档次。5.2 验证集指标好得反常噪声泄漏现象训练时验证 RMSE 很低换一个全新的测试场景性能立刻劣化。原因生成数据时先固定了一个噪声矩阵然后在它上面叠加不同角度信号训练集和验证集里如果出现同一个噪声矩阵的样本网络实际上学了噪声的指纹。解决每个样本独立生成噪声验证集用不同 seed 单独批量生成从源头杜绝样本重叠。检查方法是随机抽 100 个训练样本和 100 个验证样本算它们的协方差矩阵差值如果有一对差值近似为 0说明数据泄漏了。5.3 换阵元数或快拍数模型立刻失效现象在 8 阵元上训练好的模型直接用在 16 阵元的数据上预测结果完全混乱。原因卷积网络在输入尺寸变化时虽然能跑但归一化层里的统计量和全连接层的输入维度都是按 8 阵元设计的无法直接迁移。解决最直接的办法是训练时就对快拍数做随机采样让网络适应不同快拍阵元数则做成模型参数换阵元数就重新训练。如果确实需要跨阵元数复用可以在模型前加一个可学习的线性映射层把不同大小的特征投影到固定维度但复杂度明显上升一般场景不值得。5.4 复数张量在 PyTorch 里为什么不好直接用现象想把协方差矩阵的复数形式直接输入给网络用 Conv1d 处理复数序列前向传播报错或者结果跳变。原因PyTorch 对复数卷积与批量归一化的支持还不完整复数矩阵经过卷积后实部虚部交叉耦合数值行为难以控制。解决使用 4.1 节的双通道方案把实部虚部分开当两个通道不引入任何复数算子。这是目前最稳妥、最通用的做法唯一代价是输入通道从 1 变 2计算量差不多。5.5 两个源靠得近谱峰黏成一个现象两个真实角度只差 5°模型输出的空间谱只有一个峰位置在两个角度的中间。原因软标签里两个高斯峰部分重叠网络学到的目标是“中间有能量”峰值是不确定的数据生成时若没有强制角度最小间隔这类近邻样本会一直出现。解决数据生成阶段设置最小角度间隔比如 8° 以内样本占训练集的小部分避免网络过度拟合黏连峰同时把高斯核宽度调小到覆盖不了两个峰的距离。对于真实场景中确实存在的近邻源宁可模型分出一个小峰也不要让两个峰叠在一起。6. 从仿真到实站MUSIC 基线与子空间网络验证的收尾习惯最后一个环节是验证与进阶这也是我做深度估计项目时最看重的一步先跑基线再谈指标。你在第 2 章写的 MUSIC 谱函数就是最直接的对照。完整实验应该是这样在同一个验证集上分别运行 MUSIC 和训练好的深度学习模型计算各自在不同 SNR 区间上的角度 RMSE画成对比曲线。如果深度模型在低信噪比段没有明显优势说明任务难度可能还不够或者训练数据分布与实际场景错位。一个值得投入的进阶方向是在现有卷积网络前端加入子空间学习的正则约束也就是朝 SubspaceNet DOA 作者验证过的高置信度结构靠拢中间特征层用一个线性映射把维度压到 M然后重建成 M×M 的低秩矩阵与输入 R 做一致性损失。这个约束让网络中间层真正学出类似特征分解的结果在多源、低信噪比场景下普遍能再提升 0.2° 到 0.5° 的精度。实现时只需要在模型 forward 里多加一个分支训练时给一个 0.1 权重的小损失。部署方面模型在 PyTorch 里训练完可以导出成 ONNX 格式加速推理。推理时直接加载 ONNX 模型输入是 (1, 2, M, M) 的 float32 张量输出经过 sigmoid 后取谱峰即可。导出时要把模型切到 eval 模式并关闭梯度记录否则计算图里会残留不必要的训练节点。导出后拿一批仿真数据对比 PyTorch 原模型的结果确认数值一致再上线。我现在的习惯是每开一个新方向先跑通传统基线再动手搭深度学习部分。这个习惯救过我很多次——有一次换数据集方向后深度模型怎么调还不如 MUSIC后来发现是数据生成时把角度范围设太小基线本身就很容易扩到全范围后深度模型才真正显出优势。先有一个不骗自己的对照物再让模型做加法每一步的提升都看得见。希望帮到你。本文还有配套的精品资源点击获取