WiFi-CSI-Sensing-Benchmark 项目使用教程

WiFi-CSI-Sensing-Benchmark 项目使用教程

WiFi-CSI-Sensing-Benchmark项目地址:https://gitcode.com/gh_mirrors/wi/WiFi-CSI-Sensing-Benchmark

1. 项目的目录结构及介绍

WiFi-CSI-Sensing-Benchmark/
├── LICENSE
├── README.md
├── UT_HAR_model.py
├── NTU_Fi_model.py
├── widar_model.py
├── dataset.py
├── requirements.txt
├── run.py
├── self_supervised.py
├── self_supervised_model.py
├── util.py
└── ...

• LICENSE: 项目许可证文件。
• README.md: 项目介绍和使用说明。
• UT_HAR_model.py: 用于UT-HAR数据集的模型文件。
• NTU_Fi_model.py: 用于NTU-HAR数据集的模型文件。
• widar_model.py: 用于Widar数据集的模型文件。
• dataset.py: 数据集处理和加载文件。
• requirements.txt: 项目依赖包列表。
• run.py: 项目启动文件。
• self_supervised.py: 自监督学习相关文件。
• self_supervised_model.py: 自监督学习模型文件。
• util.py: 工具函数文件。

2. 项目的启动文件介绍

run.py

run.py 是项目的启动文件，负责初始化配置、加载数据集、训练模型等。以下是主要功能模块：

• 初始化配置: 读取配置文件，设置运行参数。
• 数据加载: 调用 dataset.py 中的函数加载数据集。
• 模型训练: 根据配置选择相应的模型进行训练。
• 结果输出: 输出训练结果和评估指标。

3. 项目的配置文件介绍

requirements.txt

requirements.txt 文件列出了项目运行所需的依赖包及其版本。例如：

torch==1.12.0
torchvision==0.13.0
numpy
pandas
...

其他配置

项目中的其他配置主要通过命令行参数和代码中的配置变量进行设置。例如，在 run.py 中可以通过以下方式设置训练参数：

parser = argparse.ArgumentParser(description='WiFi CSI Sensing Benchmark')
parser.add_argument('--dataset', type=str, default='UT-HAR', help='Dataset name')
parser.add_argument('--batch_size', type=int, default=32, help='Batch size for training')
parser.add_argument('--epochs', type=int, default=100, help='Number of epochs to train')
...
args = parser.parse_args()

通过这些配置，用户可以根据需要调整训练参数，以适应不同的数据集和任务需求。

WiFi-CSI-Sensing-Benchmark项目地址:https://gitcode.com/gh_mirrors/wi/WiFi-CSI-Sensing-Benchmark