做數(shù)據(jù)分析或者信號(hào)處理的朋友肯定天天跟 magnitude 這個(gè)詞打交道。第一次接觸它是在大學(xué)信號(hào)與系統(tǒng)課上老師反復(fù)強(qiáng)調(diào)“要區(qū)分幅度和功率”當(dāng)時(shí)聽(tīng)得云里霧里直到后來(lái)自己動(dòng)手處理真實(shí)采集的振動(dòng)數(shù)據(jù)才徹底明白這個(gè)概念的份量。如果你也被這個(gè)詞困擾過(guò)或者在算法里看到 magnitude 不知道怎么用這篇文章就是為你準(zhǔn)備的。我會(huì)從數(shù)學(xué)定義、物理意義一直講到代碼實(shí)現(xiàn)和實(shí)際項(xiàng)目里踩過(guò)的坑盡量讓每個(gè)環(huán)節(jié)都能直接落地上手。1. magnitude 到底在說(shuō)什么從數(shù)學(xué)定義到物理直覺(jué)1.1 數(shù)學(xué)里的 magnitude向量長(zhǎng)度與復(fù)數(shù)模長(zhǎng)的統(tǒng)一解釋在數(shù)學(xué)語(yǔ)境下magnitude 最直觀的理解是“長(zhǎng)度”或者“大小”。二維平面上一個(gè)向量 (3, 4)它的 magnitude 就是 5這是勾股定理直接算出來(lái)的。到了三維空間無(wú)非是根號(hào)下三個(gè)分量的平方和。這個(gè)定義樸素但它幾乎是一切復(fù)雜概念的地基。復(fù)數(shù)領(lǐng)域里magnitude 對(duì)應(yīng)的是模長(zhǎng)。一個(gè)復(fù)數(shù) z a bi它的 magnitude 寫(xiě)作 |z|等于 sqrt(a2 b2)。這個(gè)式子跟二維向量模長(zhǎng)完全一致因?yàn)橐粋€(gè)復(fù)數(shù)本來(lái)就可以看成復(fù)平面上的一個(gè)點(diǎn)實(shí)部是橫坐標(biāo)虛部是縱坐標(biāo)。我自己后來(lái)做頻譜分析時(shí)最常用的就是復(fù)數(shù)的 magnitude。FFT 的結(jié)果是一堆復(fù)數(shù)每個(gè)復(fù)數(shù)代表某個(gè)頻率分量的幅度和相位而真正讓我關(guān)心“這個(gè)頻率有多強(qiáng)”的就是它的 magnitude。相位可以丟但 magnitude 不能丟。注意magnitude 永遠(yuǎn)是實(shí)數(shù)而且是大于等于 0 的。它描述的是“有多大”不含方向信息。1.2 物理量里的 magnitude幅度、震級(jí)與星等的共同直覺(jué)物理學(xué)里 magnitude 的用法更多但核心直覺(jué)是一致的。拿地震震級(jí)來(lái)說(shuō)里氏震級(jí)用的是對(duì)數(shù)刻度震級(jí)每增加 1對(duì)應(yīng)的能量大約增加 31.6 倍。這里面的 magnitude 已經(jīng)不單純是一個(gè)測(cè)量值而是經(jīng)過(guò)對(duì)數(shù)壓縮后的相對(duì)大小比較。天文學(xué)里的星等也是如此。星等越小星星越亮。這里的 magnitude 是一種反向的對(duì)數(shù)刻度跟地震震級(jí)很像都是為了把跨度極大的物理量壓縮到一個(gè)便于人類(lèi)理解的范圍內(nèi)。信號(hào)處理里的幅度amplitude在英文語(yǔ)境里也經(jīng)常跟 magnitude 混用。一個(gè)正弦波 A*sin(2πft)A 就是幅度也可以說(shuō)是這個(gè)信號(hào)的 magnitude。日常生活中我們感受最直觀的是音量旋鈕和地震烈度。音量用分貝地震用震級(jí)它們本質(zhì)上都是在處理 magnitude 的動(dòng)態(tài)范圍問(wèn)題。1.3 為什么 magnitude 如此重要它解決的是“量級(jí)感知”問(wèn)題人腦對(duì)絕對(duì)數(shù)值不敏感但對(duì)相對(duì)大小很敏感。給你一個(gè)數(shù) 0.000000123再給你一個(gè) 0.000000456你很難快速判斷誰(shuí)更大。但如果把它們換成科學(xué)計(jì)數(shù)法或者數(shù)量級(jí)描述差距一目了然。magnitude 解決的就是這個(gè)問(wèn)題它把絕對(duì)數(shù)值變成一個(gè)可比較的度量。在工程里量級(jí)直接決定了系統(tǒng)的行為邊界。一個(gè) 100Hz 的信號(hào)和一個(gè) 1000Hz 的信號(hào)處理方式完全不同一個(gè) 1mW 的功率和一個(gè) 1W 的功率在射頻設(shè)計(jì)里是截然不同的世界。我們?cè)谧龇桨高x型時(shí)第一步永遠(yuǎn)不是看具體數(shù)值而是先判斷數(shù)量級(jí)。2. 應(yīng)用場(chǎng)景拆解信號(hào)處理、數(shù)據(jù)科學(xué)和物理建模中的 magnitude2.1 信號(hào)處理場(chǎng)景為什么頻譜幅度和相位要分開(kāi)處理進(jìn)入信號(hào)處理領(lǐng)域magnitude 的第一個(gè)高頻應(yīng)用是傅里葉變換后的頻譜分析。連續(xù)信號(hào)經(jīng)過(guò) FFT 之后輸出每一個(gè)頻率點(diǎn)對(duì)應(yīng)的復(fù)數(shù)這個(gè)復(fù)數(shù)的 magnitude 就是該頻率成分的幅度。在工程應(yīng)用里我們通常只關(guān)心幅度譜因?yàn)榉茸V直接告訴你信號(hào)里哪些頻率分量占主導(dǎo)。舉個(gè)例子我處理過(guò)一組電機(jī)軸承的振動(dòng)數(shù)據(jù)正常狀態(tài)下頻譜里峰值集中在 50Hz 和它的諧波上當(dāng)軸承出現(xiàn)早期損傷時(shí)會(huì)出現(xiàn)一個(gè)特征頻率分量它的幅度會(huì)隨著故障加深而緩慢上升。這時(shí)候把 FFT 結(jié)果的 magnitude 按時(shí)間畫(huà)出來(lái)就能清晰看到故障發(fā)展趨勢(shì)。相位信息通常在時(shí)域分析和波形重構(gòu)時(shí)才會(huì)用到。做濾波器的相位響應(yīng)分析、做 OFDM 符號(hào)解調(diào)時(shí)相位是命根子但做異常檢測(cè)、能量分析、特征提取時(shí)先用 magnitude 就能解決絕大多數(shù)問(wèn)題。2.2 數(shù)據(jù)科學(xué)場(chǎng)景范數(shù)、正則化與特征工程中的 magnitude在機(jī)器學(xué)習(xí)領(lǐng)域magnitude 的化身是范數(shù)norm最常見(jiàn)的是 L1 范數(shù)和 L2 范數(shù)。L2 范數(shù)就是向量每個(gè)分量平方和的平方根也就是我們剛說(shuō)的 magnitude。L1 范數(shù)是所有分量絕對(duì)值之和它更強(qiáng)調(diào)稀疏性。特征歸一化時(shí)我們經(jīng)常需要把每個(gè)樣本向量除以它的 L2 范數(shù)這是為了讓不同樣本的“整體強(qiáng)度”一致純粹比較方向特征。做 L2 正則化時(shí)也是把模型權(quán)重的 magnitude 加進(jìn)損失函數(shù)里防止權(quán)重太大導(dǎo)致過(guò)擬合。說(shuō)實(shí)話(huà)很多剛?cè)腴T(mén)的人在理解 L2 正則化時(shí)總把它當(dāng)成一個(gè)“可選的優(yōu)化技巧”。但往本質(zhì)里想它就是在控制模型權(quán)重的 magnitude。權(quán)重太大意味著模型對(duì)某些特征過(guò)于敏感幾乎是在背誦訓(xùn)練數(shù)據(jù)加上 magnitude 懲罰之后模型無(wú)法再選擇極端取值自然更平滑、更魯棒。2.3 物理建模場(chǎng)景量級(jí)估算、誤差傳播與不確定性分析物理和工程里magnitude 還承擔(dān)著“量級(jí)估算”的重要任務(wù)。我在做嵌入式系統(tǒng)功耗估算的時(shí)候第一步不是去細(xì)算每個(gè)模塊的工作電流而是先看數(shù)量級(jí)MCU 休眠電流約是 μA射頻發(fā)射電流約是 mA電機(jī)驅(qū)動(dòng)電流約是幾百 mA。量級(jí)一旦搞錯(cuò)后面所有的設(shè)計(jì)細(xì)節(jié)都會(huì)偏。誤差傳播分析里也離不開(kāi) magnitude。一個(gè)測(cè)量量的絕對(duì)誤差是 0.01 還是 0.1直接取決于它本身量級(jí)的大小。測(cè)量 1V 電壓誤差 0.01V 是 1% 的精度測(cè)量 100V 電壓誤差 0.01V 就是 0.01% 的精度。同一個(gè)絕對(duì)誤差在不同的 magnitude 背景下意義完全不同。此外在做數(shù)值計(jì)算時(shí)浮點(diǎn)數(shù)的精度也跟 magnitude 有關(guān)。計(jì)算機(jī)能表示的浮點(diǎn)數(shù)在非常大和非常小的區(qū)間里精度都有限如果你同時(shí)處理 1e9 和 1e-9 的數(shù)據(jù)很可能會(huì)把小數(shù)部分完全丟失。這提醒我們?cè)谠O(shè)計(jì)算法時(shí)要盡量避免跨越多個(gè)數(shù)量級(jí)的直接運(yùn)算。3. 實(shí)操過(guò)程與核心環(huán)節(jié)實(shí)現(xiàn)從 FFT 幅度譜到分貝換算3.1 一次完整的 FFT 幅度譜計(jì)算從采集數(shù)據(jù)到可視化我以一段模擬的振動(dòng)信號(hào)為例演示從原始波形到幅度譜的完整流程。假設(shè)傳感器采樣率是 1000Hz采集時(shí)長(zhǎng)為 2 秒信號(hào)由 10Hz 和 60Hz 兩個(gè)正弦波疊加而成10Hz 幅度為 1.060Hz 幅度為 0.5再加上一點(diǎn)隨機(jī)噪聲。用 Python 實(shí)現(xiàn)的話(huà)核心代碼大致是這樣import numpy as np import matplotlib.pyplot as plt fs 1000 t np.arange(0, 2, 1/fs) signal 1.0 * np.sin(2 * np.pi * 10 * t) 0.5 * np.sin(2 * np.pi * 60 * t) signal 0.2 * np.random.randn(len(t)) # FFT計(jì)算 N len(signal) fft_result np.fft.rfft(signal) freqs np.fft.rfftfreq(N, 1/fs) # 計(jì)算單邊幅度譜 magnitude np.abs(fft_result) / N magnitude[1:-1] 2 * magnitude[1:-1] # 單邊譜補(bǔ)償 # 取前100Hz部分 mask freqs 100 plt.plot(freqs[mask], magnitude[mask])這段代碼里有幾個(gè)關(guān)鍵點(diǎn)。第一FFT 結(jié)果的 magnitude 要先除以 N因?yàn)?FFT 本身不做歸一化直接拿到的數(shù)值會(huì)隨點(diǎn)數(shù)增大而增大。公式上實(shí)信號(hào)的 FFT 結(jié)果幅度是原始信號(hào)幅度的一半正負(fù)頻率各占一半所以要做單邊譜補(bǔ)償把正頻率部分乘 2。直流分量f0不需要補(bǔ)償。第二rfft 比 fft 更適合實(shí)信號(hào)它只計(jì)算正頻率部分速度更快數(shù)據(jù)量更省。如果你用 fft 拿到的結(jié)果是對(duì)稱(chēng)的取一半即可。第三噪聲在幅度譜上表現(xiàn)得非?！捌健边@是因?yàn)榘自肼暤墓β示鶆蚍植荚谒蓄l率上。信號(hào)處理里有一句經(jīng)典的話(huà)FFT 可以讓你在噪聲堆里發(fā)現(xiàn)確定性信號(hào)但前提是信號(hào)的 magnitude 得高過(guò)噪聲底。3.2 從幅度到功率為什么要看功率譜而不是純幅度譜在很多工程場(chǎng)景里光看幅度譜還不夠。幅度代表了信號(hào)的峰值大小功率則代表了信號(hào)攜帶的能量。功率譜的定義是幅度譜的平方它更符合我們對(duì)“哪個(gè)頻率貢獻(xiàn)更大”的直覺(jué)。power magnitude ** 2 power_db 10 * np.log10(power 1e-10)為什么要加 1e-10因?yàn)楣β士赡転?0直接取對(duì)數(shù)會(huì)得到負(fù)無(wú)窮。加上一個(gè)極小值可以避免數(shù)值溢出又不影響真實(shí)數(shù)值。這是我實(shí)際調(diào)試時(shí)踩過(guò)的一個(gè)小坑不加這個(gè)小量繪圖時(shí)就會(huì)彈出一堆 inf。分貝dB換算的本質(zhì)是取對(duì)數(shù)壓縮動(dòng)態(tài)范圍。想象一下一個(gè)信號(hào)的幅度跨了三個(gè)數(shù)量級(jí)直接畫(huà)線性圖小幅度成分幾乎看不見(jiàn)但轉(zhuǎn)換成 dB 后1000 倍的關(guān)系變成了 30dB視覺(jué)上就清晰多了。3.3 分貝家族的坑dB、dBm、dBFs 到底該用哪個(gè)這部分內(nèi)容純屬經(jīng)驗(yàn)之談。剛做音頻處理那會(huì)兒我在分貝單位上栽過(guò)不少跟頭。dB 是一個(gè)比值單位它本身不帶絕對(duì)物理量綱。你只能說(shuō)“信號(hào)比噪聲高 20dB”不能說(shuō)“信號(hào)是 20dB”。如果想說(shuō)絕對(duì)功率得用 dBm相對(duì)于 1mW比如 0dBm 就是 1mW10dBm 就是 10mW。音頻設(shè)備里還有個(gè) dBFs它是相對(duì)于滿(mǎn)量程的。0dBFs 表示信號(hào)達(dá)到 ADC 能表示的最大值數(shù)字音頻里超過(guò) 0dBFs 就會(huì)削波。做音量規(guī)范化時(shí)目標(biāo)值通常是 -1dBFs 或者 -3dBFs留出一點(diǎn)余量避免插值和渲染過(guò)程中產(chǎn)生過(guò)沖。經(jīng)驗(yàn)凡是看到 dB 開(kāi)頭的單位第一件事先問(wèn)“參考值是什么”。dBm 的參考值是 1mWdBFs 的參考值是滿(mǎn)量程dBV 的參考值是 1V。參考搞錯(cuò)數(shù)據(jù)全廢。3.4 時(shí)頻域的 magnitude短時(shí)傅里葉變換與語(yǔ)譜圖FFT 只能告訴你整個(gè)時(shí)間窗口內(nèi)有哪些頻率分量但頻率隨時(shí)間怎么變化它無(wú)能為力。這時(shí)就要把信號(hào)切成一幀幀分別對(duì)每一幀做 FFT然后把 magnitude 按時(shí)間拼接起來(lái)就形成了時(shí)頻圖也叫語(yǔ)譜圖spectrogram。from scipy.signal import spectrogram freqs, times, Sxx spectrogram(signal, fs, nperseg256, noverlap128) plt.pcolormesh(times, freqs, 10 * np.log10(Sxx 1e-10), shadinggouraud)這段代碼里 nperseg 是每一幀的長(zhǎng)度noverlap 是相鄰幀的重疊長(zhǎng)度。窗口越長(zhǎng)頻率分辨率越高但時(shí)間分辨率越低。noverlap 通常選 nperseg 的 50% 或 75%目的是讓幀與幀之間過(guò)渡平滑避免時(shí)頻圖出現(xiàn)塊狀感。我實(shí)際用 STFT 做過(guò)一個(gè)故障診斷項(xiàng)目馬達(dá)的振動(dòng)信號(hào)在啟動(dòng)階段頻率是逐漸上升的如果只看整段 FFT只能看到一條模糊的寬帶完全捕捉不到“頻率爬坡”的過(guò)程。換成語(yǔ)譜圖后故障特征頻率隨時(shí)間的變化一目了然后續(xù)的特征提取也就順理成章了。4. 常見(jiàn)問(wèn)題與排查技巧實(shí)錄magnitude 相關(guān)的四個(gè)高頻坑4.1 幅度譜的幅值永遠(yuǎn)比預(yù)期的要小我在論壇上看到很多人問(wèn)我明明輸入了一個(gè)幅值 1 的正弦波為什么 FFT 之后幅度譜峰值只有 0.5甚至 0.25這通常是兩個(gè)原因。第一沒(méi)有做單邊譜補(bǔ)償正負(fù)頻率各占一半能量。第二用錯(cuò)了窗口函數(shù)如果你用了 hann 窗它的幅度恢復(fù)因子是 2不是 1也就是說(shuō)還需要額外乘一個(gè)系數(shù)。具體來(lái)說(shuō)使用了非矩形窗后窗函數(shù)的能量會(huì)攤薄到多個(gè)頻率點(diǎn)上導(dǎo)致主瓣峰值下降。恢復(fù)系數(shù)等于窗函數(shù)平均值的倒數(shù)。hann 窗的恢復(fù)系數(shù)約為 2.0也就是說(shuō)你需要在原有補(bǔ)償基礎(chǔ)上再乘一個(gè) 2才能讓幅度讀數(shù)恢復(fù)正確。我建議的做法是在認(rèn)識(shí)這個(gè)概念之前先固定用矩形窗把邏輯理清楚等理解透了再換 hann、hamming 等。窗函數(shù)用得不好幅度譜就是一筆糊涂賬。4.2 對(duì)數(shù)坐標(biāo)下的小數(shù)值處理做 magnitude 的可視化時(shí)經(jīng)常有人直接把接近 0 的數(shù)值丟進(jìn) 10*log10() 里得到負(fù)無(wú)窮然后圖就花了。解決辦法有兩種。加一個(gè)極小值或“地板值”比如 1e-12相當(dāng)于給功率譜加了一個(gè)底噪這在工程上是很自然的操作。另一種是使用 scipy 的 signal.spectrogram 等現(xiàn)成函數(shù)它們內(nèi)部已經(jīng)處理好了這類(lèi)數(shù)值問(wèn)題。這讓我想到另一個(gè)常見(jiàn)坑在計(jì)算信噪比SNR時(shí)很多人直接用 signal_magnitude 除以 noise_magnitude但嚴(yán)格來(lái)說(shuō)SNR 定義在功率域是兩個(gè) magnitude 平方之比。如果你只有幅度數(shù)據(jù)一定要先平方再比然后取 10log10。用幅度直接比會(huì)少一倍的系數(shù)導(dǎo)致 SNR 被低估 6dB。4.3 magnitude 歸一化的時(shí)機(jī)不對(duì)導(dǎo)致結(jié)果完全偏離在機(jī)器學(xué)習(xí)項(xiàng)目中歸一化是一個(gè)繞不開(kāi)的步驟。我見(jiàn)過(guò)不少新人在提取完特征之后做歸一化這個(gè)順序如果是全局歸一化也沒(méi)問(wèn)題但如果是逐樣本歸一化那就大錯(cuò)特錯(cuò)了。每個(gè)樣本除以自身 L2 范數(shù)意味著你丟掉了樣本間整體強(qiáng)度差異而很多時(shí)候這個(gè)強(qiáng)度差異恰恰是關(guān)鍵特征。舉個(gè)例子兩臺(tái)設(shè)備正常工作時(shí)的振動(dòng)幅度一臺(tái)是 0.8m/s2一臺(tái)是 0.3m/s2如果按每條樣本單獨(dú)歸一化這個(gè)差異就完全沒(méi)有了。更好的做法是先用訓(xùn)練集所有樣本的統(tǒng)計(jì)量做整體歸一化或者保留原始 magnitude 作為一維特征再搭配歸一化后的波形特征一起送入模型。4.4 大動(dòng)態(tài)范圍場(chǎng)景下線性坐標(biāo)根本沒(méi)法看做音頻處理時(shí)動(dòng)態(tài)范圍可以到 120dB 以上。用線性坐標(biāo)畫(huà)波形和頻譜只能看到最大那幾個(gè)峰其余信息全部被壓到橫軸附近。對(duì)數(shù)坐標(biāo)并不僅僅是“換個(gè)刻度”它實(shí)際上是對(duì)數(shù)據(jù)做了一次非線性映射讓人眼能同時(shí)觀察到極大值和極小值。我之前做過(guò)一個(gè)聲學(xué)回聲消除的項(xiàng)目揚(yáng)聲器播放的聲音幅值遠(yuǎn)大于遠(yuǎn)端語(yǔ)音在線性坐標(biāo)下遠(yuǎn)端語(yǔ)音波形幾乎是一條直線。后來(lái)把顯示切換成對(duì)數(shù)幅度之后才發(fā)現(xiàn)遠(yuǎn)端語(yǔ)音其實(shí)完整地疊加在回聲上面只是動(dòng)態(tài)范圍被壓得太厲害。類(lèi)似的問(wèn)題在圖像處理里同樣存在HDR 合成的本質(zhì)就是壓縮高動(dòng)態(tài)范圍到可顯示的 8-bit 或 10-bit 空間。4.5 常見(jiàn)問(wèn)題速查表現(xiàn)象可能原因解決辦法峰值頻率正確但幅度偏小未做單邊補(bǔ)償或窗口恢復(fù)乘以單邊系數(shù)和窗恢復(fù)系數(shù)頻譜圖上出現(xiàn)大量毛刺信號(hào)本身不平穩(wěn)或窗口太短改用更長(zhǎng)的窗或多個(gè)窗口平均出現(xiàn)負(fù)無(wú)窮或跳變點(diǎn)對(duì) 0 值取對(duì)數(shù)給功率疊加地板值 1e-12兩個(gè)同類(lèi)信號(hào)對(duì)不上參與計(jì)算時(shí)單位不統(tǒng)一全部換算到同一單位后比較歸一化后結(jié)果異常歸一化時(shí)機(jī)錯(cuò)誤改用全局歸一化或保留強(qiáng)度特征信號(hào)有頻譜泄漏矩形窗截?cái)鄮?lái)旁瓣選用 hann/hamming 窗并考慮幅度恢復(fù)5. 工具選型與方案取舍到底該用什么算 magnitude5.1 Python 生態(tài)下的常用庫(kù)對(duì)比做數(shù)據(jù)處理方案選型幾乎決定了下游效率。Python 生態(tài)里最常用的幾個(gè)庫(kù)各有各的側(cè)重點(diǎn)。NumPy 是底層的數(shù)值計(jì)算基礎(chǔ)提供直接的向量模長(zhǎng)計(jì)算、FFT 和復(fù)數(shù)操作。SciPy 基于 NumPy 之上提供了更多信號(hào)處理相關(guān)的工具箱比如 find_peaks、spectrogram、濾波函數(shù)等。兩者在信號(hào)分析項(xiàng)目中幾乎密不可分。PyTorch 和 TensorFlow 主要用于深度學(xué)習(xí)模型的張量計(jì)算在做基于學(xué)習(xí)的信號(hào)分析時(shí)你的輸入特征里通常就包含 magnitude 或 log-magnitude。很多語(yǔ)音識(shí)別模型直接吃 log-mel 特征本質(zhì)就是按時(shí)頻域的 magnitude 做梅爾濾波和取對(duì)數(shù)。我的建議是能在 NumPy/SciPy 層面解決的問(wèn)題不要過(guò)早引入深度學(xué)習(xí)框架。深度模型的訓(xùn)練和推理成本高而且可解釋性差。在很多工業(yè)場(chǎng)景里傳統(tǒng)的 FFT 加閾值判斷已經(jīng)足夠可靠先把基本功做扎實(shí)再考慮上模型。5.2 嵌入式環(huán)境里的 magnitude 計(jì)算有一種痛叫有限的指令集如果你和我一樣需要在 MCU 上做實(shí)時(shí)振動(dòng)分析就不能直接跑 Python 了。嵌入式 C 語(yǔ)言環(huán)境下計(jì)算 magnitude首先要面對(duì)的是大數(shù)運(yùn)算和平方根的開(kāi)銷(xiāo)。一個(gè)實(shí)用技巧是使用就近的數(shù)學(xué)庫(kù)函數(shù)。主流 MCU 廠商都會(huì)提供優(yōu)化的 sqrt、atan2 等函數(shù)比你自己用牛頓迭代法更穩(wěn)妥。另一個(gè)技巧是如果你只需要比較大小不需要絕對(duì)數(shù)值完全可以不計(jì)算平方根直接比較平方和的大小。這樣可以省掉大量 CPU 周期。另外在定點(diǎn) DSP 上做 FFT幅度計(jì)算還有一個(gè)經(jīng)典的近似公式mag_approx max(|I|, |Q|) 0.5 * min(|I|, |Q|)這個(gè)近似式的誤差大約在幾個(gè)百分點(diǎn)以?xún)?nèi)在很多場(chǎng)景下完全夠用。如果精度要求更高還可以用 α、β 系數(shù)修正。這類(lèi)近似計(jì)算在實(shí)時(shí)系統(tǒng)里非常實(shí)用因?yàn)樗静簧婕俺朔ê烷_(kāi)方只需要比較和加法。5.3 實(shí)際項(xiàng)目中的方案取舍先判量級(jí)再定方案我在做項(xiàng)目時(shí)遇到一個(gè)問(wèn)題第一反應(yīng)是這個(gè)量級(jí)是多少比如設(shè)計(jì)一個(gè)電池供電的無(wú)線傳感器節(jié)點(diǎn)先估算平均工作電流在哪個(gè)數(shù)量級(jí)決定要不要上 PA功率放大、要不要用低功耗 MCU甚至決定整個(gè)系統(tǒng)的電源拓?fù)?。同樣的思維也適用于數(shù)據(jù)處理領(lǐng)域。一個(gè)數(shù)據(jù)集才一萬(wàn)條樣本別一上來(lái)就搭分布式計(jì)算框架單機(jī) Pandas 完全跑得動(dòng)如果數(shù)據(jù)集到了億級(jí)別再考慮 Spark、Doris 這些重型武器。量級(jí)判斷是系統(tǒng)設(shè)計(jì)的起手式它能幫你避開(kāi)“殺雞用牛刀”和“小車(chē)?yán)筌?chē)”兩個(gè)極端。這個(gè)思維方式的來(lái)源就是 magnitude。它訓(xùn)練我用對(duì)數(shù)眼光看世界不要被絕對(duì)數(shù)字迷惑要把數(shù)字放進(jìn)它所在的數(shù)量級(jí)坐標(biāo)系里評(píng)估。6. 深入一點(diǎn)從 magnitude 到數(shù)量級(jí)估算的實(shí)戰(zhàn)技巧6.1 費(fèi)米估算在數(shù)據(jù)不全時(shí)如何快速判斷量級(jí)物理學(xué)家費(fèi)米在沒(méi)有任何儀器的情況下估算出第一顆原子彈爆炸的當(dāng)量靠的就是把復(fù)雜問(wèn)題分解成可相乘的近似因子。這種思維方式就是費(fèi)米估算它是工程師手上最鋒利的粗估工具。舉個(gè)例子估算一個(gè)城市有多少個(gè)加油站。思路是先估算城市人口 500 萬(wàn)假設(shè)每 4 人一輛車(chē)約有 125 萬(wàn)輛車(chē)每輛車(chē)每周加油一次平均每次加油 10 分鐘加油站每天營(yíng)業(yè) 12 小時(shí)平均每個(gè)加油位每小時(shí)服務(wù) 6 輛車(chē)一個(gè)加油站有 4 個(gè)加油位一天大約服務(wù) 288 輛車(chē)。那么 125 萬(wàn)輛車(chē)除以每站服務(wù)能力得到大約 4300 個(gè)加油站。這個(gè)數(shù)不一定精確但量級(jí)通常是對(duì)的。做這種估算的價(jià)值不在于精確答案而在于逼你去理解每個(gè)環(huán)節(jié)的數(shù)量級(jí)并驗(yàn)證它們是否自洽。如果一個(gè)環(huán)節(jié)的計(jì)算結(jié)果比常識(shí)高出兩個(gè)數(shù)量級(jí)那說(shuō)明前面的假設(shè)某個(gè)地方出了問(wèn)題。這種粗篩能力在海量數(shù)據(jù)面前尤其寶貴。6.2 相對(duì)量級(jí)模型判斷結(jié)果可信度的一種快速方法我在調(diào)參時(shí)經(jīng)常用一個(gè)簡(jiǎn)單的自檢方法把所有指標(biāo)畫(huà)在對(duì)數(shù)坐標(biāo)下看看數(shù)值的分布是否落在合理的量級(jí)區(qū)間里。如果某個(gè)指標(biāo)突然跳了 3 個(gè)數(shù)量級(jí)那多半是 bug而不是模型變好了。有一次我在做神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)loss 從 2.3 突然掉到 0.02我一開(kāi)始特別興奮后來(lái)發(fā)現(xiàn)是學(xué)習(xí)率設(shè)置錯(cuò)誤導(dǎo)致了梯度溢出loss 曲線失真。如果當(dāng)時(shí)畫(huà)的是線性坐標(biāo)可能只能看到一條拋物線換成對(duì)數(shù)坐標(biāo)后中間那段斷崖式的跳變非常扎眼一眼就看出異常。這就是相對(duì)量級(jí)模型的威力——它讓你對(duì)“合理值應(yīng)該在哪個(gè)范圍”保持敏感。6.3 數(shù)量級(jí)在誤差分析中的角色有時(shí)候差兩倍不是問(wèn)題差十倍才是工程上有一個(gè)說(shuō)法差兩倍是誤差差十倍是錯(cuò)誤差二十倍是方案錯(cuò)了。在誤差分析中第一步永遠(yuǎn)是檢查數(shù)量級(jí)是否合理其次才看具體誤差百分比。舉個(gè)例子我用霍爾傳感器測(cè)量電機(jī)電流傳感器標(biāo)稱(chēng)誤差是 1%但實(shí)際采集的波形經(jīng)過(guò) ADC 量化、信號(hào)調(diào)理濾波之后誤差往往會(huì)放大。如果你發(fā)現(xiàn)最終計(jì)算的電流 magnitude 跟實(shí)際電流表讀數(shù)差了 15%這不是“誤差 15%”的問(wèn)題而是某個(gè)環(huán)節(jié)的單位、增益或量綱出了問(wèn)題。排查的順序應(yīng)該是量綱是否一致 - 量級(jí)是否合理 - 精確計(jì)算誤差。7. 結(jié)尾我的一點(diǎn)個(gè)人體會(huì)說(shuō)了這么多我想把最核心的經(jīng)驗(yàn)濃縮成一句話(huà)magnitude 不只是一個(gè)公式或者一個(gè)函數(shù)它是一種思維習(xí)慣。每當(dāng)你拿到一組數(shù)據(jù)、一個(gè)信號(hào)、一段代碼先問(wèn)問(wèn)自己這組數(shù)據(jù)的數(shù)量級(jí)大概是多少有多大動(dòng)態(tài)范圍處理它的時(shí)候精度夠不夠有沒(méi)有可能出現(xiàn)溢出或下溢。這三個(gè)問(wèn)題都想清楚你踩坑的概率會(huì)降低一半以上。另外再分享一個(gè)小技巧在寫(xiě)代碼時(shí)任何時(shí)候你準(zhǔn)備打印一個(gè)絕對(duì)值或者畫(huà)一條曲線先想清楚它的量級(jí)范圍。如果這個(gè)值可能是 0.001 也可能是 10000那就直接在計(jì)算過(guò)程中用對(duì)數(shù)變換或者標(biāo)準(zhǔn)化處理把動(dòng)態(tài)范圍壓縮到可管理的區(qū)間。這個(gè)習(xí)慣讓我的調(diào)試效率提高了不止一倍也讓我對(duì)數(shù)據(jù)本身有了更強(qiáng)的直覺(jué)。希望這篇文章能幫你少走一些彎路。