LightAMC：门控蒸馏与 INT8 轻量调制识别

五类 I/Q 调制信号识别的完整边缘 AI 项目：CNN-GRU 教师向 1D-CNN 学生进行置信度-SNR 门控蒸馏，再导出 ONNX 并做 INT8 静态量化。三随机种子正式实验、逐 SNR 大表、门控与校准敏感性、负结果和 6 个部署模型均保留；配 25 页技术手册、30 组问答和完整配图。

• 任务类型深度学习-时序分类
• 难度进阶
• 周期建议 4–6 周理解与扩展
• 专业方向通信工程 · 电子信息 · 人工智能

项目亮点

• 三随机种子与七档 SNR 正式证据
• 置信度-SNR 双门控知识蒸馏
• 六个 FP32/INT8 ONNX 部署模型
• 25 页技术手册与 30 组项目问答
• 负结果、消融和校准敏感性完整保留

如果你想做一个既有深度学习训练、又能讲边缘部署取舍的通信信号项目，这个 LightAMC 会比“只训练一个分类器、报一个准确率”完整得多。它从复数基带 I/Q 信号出发，经过教师模型、轻量学生、门控知识蒸馏、ONNX 导出和 INT8 量化，最后把准确率、模型体积与 CPU 延迟放在同一张证据表里比较。

配套已经整理成独立学员项目：带中文解释的代码、25 页技术文档、30 组答辩问答、六个 FP32/INT8 ONNX 模型，以及可以直接用于讲解和 PPT 的架构图、信号图、消融表和误差图。

这个项目真正解决什么问题

自动调制识别要从一段接收信号判断它属于 BPSK、QPSK、8PSK、16QAM 还是 64QAM。低信噪比、多径、频偏和相位漂移会让星座结构变得模糊，QPSK/8PSK、16QAM/64QAM 等相近类别容易互相混淆。项目用较大的 CNN-GRU 教师提取更丰富的时序模式，再把知识迁移给只有三层卷积主干的轻量学生。

最值得在面试里讲的设计

为什么不能让教师对所有样本同样强地指导学生。 教师也会犯错，尤其在低 SNR 样本上。项目先根据教师输出熵得到无标签置信度，再乘一个由训练 SNR 控制的平滑通道门；教师越犹豫、信道越差，该样本的蒸馏权重就越低。监督交叉熵仍对所有样本生效，因此它不是把困难样本删掉，而是避免错误软目标占据训练。

怎么诚实解释蒸馏收益。 三随机种子下，直接训练学生的平均准确率是 51.37%，门控蒸馏学生是 51.94%，提升为 0.56 个百分点。这个增益不大，但三个种子方向一致，样本标准差还从 0.65 降到 0.21 个百分点。项目同时保留了早期蒸馏退化、暖启动近中性和无门控双层蒸馏等负结果，能解释为什么最终需要门控，而不是只展示最好的一次。

怎么解释 INT8 的价值与代价。 门控蒸馏学生从 FP32 的 121,353 bytes 量化为约 42,817 bytes，缩小 2.83 倍；在固定桌面 CPU 协议下，batch-1 延迟从 0.0491 ms 降到 0.0296 ms，约加速 1.66 倍。与此同时，平均准确率下降 0.27 个百分点。这个结果支持“效率换少量精度”的判断，不支持“INT8 全面更好”。

代码与部署部分也能讲清楚

项目不是停在 PyTorch 权重文件：学生网络先导出动态 batch 的 ONNX FP32 图，再用按 SNR 分层抽样的校准集做 QDQ 静态量化。技术手册专门解释了 16 个校准 mini-batch 为什么能复现体积和延迟收益、但准确率尚未饱和，以及为什么 32 或 54 个 batch 更接近 FP32。

配套资料

你可以从 README 的最小测试和烟雾实验开始，再阅读正式三种子结果与负实验。技术文档最后还给出了简历表达边界和 30 组常见追问。项目的目标不是让你背术语，而是让你能解释：门控为什么存在、收益到底多大、量化换来了什么，以及哪些结论现在还不能说。

必须保留的事实边界

当前数据是受控生成的 I/Q 信号，延迟来自桌面 CPU 测量。它没有真实无人机空口采集、机载算力/能耗或截止期测试，因此不能表述为“已经完成无人机部署”。三随机种子支持方向性稳定判断，但不等于强统计显著性。申请材料只能写你亲自完成的复现、分析或扩展，不能把源论文的首创工作直接写成个人成果。

适合谁

适合通信工程、电子信息、人工智能和边缘计算方向，尤其适合希望把信号处理、深度学习、模型压缩与实验可信性串成一个完整项目的人。项目的亮点不是某一个绝对高分，而是从原始信号、模型机制到部署权衡都能被追问、被核对、被复现。