本系列先前的博客中，从硬件配置开始，收集了CSI数据并进行了一系列处理，最终将信号数据转化为图像数据，也即信号识别问题转变为图像分类问题，从而能引入在图像处理领域已经非常成熟丰富的各类深度学习算法。
本博客是一篇新手导向的CNN处理CSI图像帧教程，从前述教程中所得到的图像帧数据集为开始，进行图像分类任务的训练，适合非计算机科班学生。使用的平台为Matlab，借助其深度学习工具箱，可以做到不需要写一行代码也能进行深度学习训练。
软件方面，需要新一点的Matlab版本，我所使用的为Matlab R2022a。
硬件方面，和大多数深度学习一样，显卡越新、显存越大越好，台式比笔记本好，因为同等配置台式显卡性能释放更好，具体要达到什么水平，视你所拥有的数据集复杂程度而言；我的数据集约有5万张图片，6GB RTX 2060的笔记本勉强也能跑，但是比较耗时。
1、为Matlab安装Deep Learning Toolbox
参考下述博客：
Matlab 安装 Deep Learning Toolbox_matlab deep learning toolbox安装-CSDN博客
安装好后在命令行窗口键入：deepNetworkDesigner
会弹出初始选择网络结构的页面
2、选择并微调预训练的CNN网络
在Matlab的深度网络设计器中，图像网络这一栏所列出的都是比较成熟、知名的图神经网络，理论上都可以用来训练你的数据集，但是不同网络效果差别会很大，可以挨个尝试一下。
右下角的黄色感叹号，表示你还没有下载这些网络，使用前需要去啊官网下载。以GoogLeNet Network为例：
Deep Learning Toolbox Model for GoogLeNet Network - File Exchange - MATLAB Central (mathworks.cn)
下载好后把文件拖到Matlab右边的运行文件夹中，双击文件，就会弹出附加文件管理器。过程需要Matlab账号（不是刚需正版的意思，只需要有账号），安装会比较慢。
以VGG-16为例，选择后页面如下所示：
这个深度网络设计器页面的左边，是组成神经网络的常见单元（输入、卷积、全连接等），中间是Resnet 18的网络结构，因为是选择既有的网络模型，所以就不需要自己从新开始架构。如果有自己改进的需要，就可以通过这个页面对神经网络的架构进行调整。这里我们就使用Resnet 18，但是需要根据我们自己的数据集维度以及分类数量，对原始网络的输入输出进行调整。
例如，我的图像帧大小是500 x 90 x 1，分类数量为9，就需要把input层替换为新的（因为无法单独对既有网络单元进行编辑，只能删掉换新的），把输入图像尺寸换成所训练数据集的维度；同时，第一个卷积层也需要修改，因为这是预训练好的模型，已经有了权重，而我们的图像帧是黑白图像而不是彩色图像，只有单通道，为了让网络重新训练并适配我们的数据集，需要更新第一个卷积层以重置其权重：
输出部分，需要替换最后一个全连接层以及最后的分类层，将全连接层的output size数量填写为目标分类数量，其他设置照搬原有设置就行；分类层只用替换，不需要修改设置，它会自动调整为契合全连接层的数量：
修改好后如果不确定，可以点上边栏的“分析”，会对网络的合理性进行核对，如果有错误，就是网络有无法运行的问题：
3、导入数据集
在“设计器”中完成网络模型的调整后，接下来就是导入之前我们处理完毕的图像帧数据集。点击“数据”，点击右上角“导入图像数据”，弹出页面如下：
数据源有两种方式，一种是使用matlab的数据库类型，一种是直接从文件夹导入，后者更加直观（但是要求你的数据已经如前述教程，分门别类的放在不同的子文件夹中，如下图所示） ；选择数据集地址，增强选项可选可不选，个人认为对于信号图像数据，增强选项意义不大，自然图像猫猫狗狗什么的比较有用，也可以自己尝试；验证部分，设置从训练数据中拆分，免去了手动划分数据集，可以指定随机划分验证集的百分比，勾选随机化。设置完毕后，点击导入，Matlab会自动帮你处理所有数据集。
导入成功后就是如下所示页面，识别到了所有类别的文件夹及其图像帧数量：
4、配置深度学习训练
完成数据集导入后，点击“训练”，点击右上角“训练选项”，这一部分的配置就见仁见智，不同网络、不同数据集、不同任务所适用的训练参数可能都不一样，自己调试再找找深度学习超参数调整的教程看。Matlab给出的选项还是很丰富的，基础的设置像求解器类型、学习率、训练频次、批次大小都有，升级一点的操作像学习率梯度递减也支持，对于新手已经很够用了，还是以图像化界面的方式，不需要写代码。
这里不逐项解释，都是深度学习训练常见的名词和设置，详细了解右转ChatGPT，直接用默认配置训练。
5、深度学习训练进程
完成训练配置后，点击左上角“训练”，便可开启训练进程，对此，Matlab给出了图像化的展示界面，可以实时观看网络在训练集和验证集上的表现。这个图象中，网络收敛进程就是正常的，右边显示训练时间和计划，由于我的笔记本性能很拉，训练得就慢。一个小tips，如果数据集量很大但是设备性能又有限，可以先摘取1/5或1/10跑着试试看，用于选取网络或者超参数调整。
训练完成后，可以点击左上角“导出”，保存网络结构、训练好的模型等。