企业官网建设流程全解析

Spherical CNN 这个方向，光看论文很容易一头雾水。球面谐波、SO(3)群表示、Wigner-D矩阵、旋转等变，这些名词堆在一起，数学功底再好的人也会被绕晕。我的经验是，想真正掌握它，必须把源代码打开，一行一行搞清楚数据是怎么流转、矩阵是怎么变换、梯度是怎么反传的。这篇文章我就顺着自己的调试经历，把 Spherical CNN 的源码从整体架构到核心模块拆开聊，希望能给正在啃这个方向的朋友省点时间。

1. 先搞懂它在解决什么问题：平面卷积在球面上为什么失效

1.1 等矩形投影里的“极点灾难”

做全景图或者球面数据处理的人，对 equirectangular 投影一定不陌生。就是把球面按经纬度展开成一张矩形图，横轴是经度，纵轴是纬度。这种表示方式很直观，存储也简单，一个二维数组就能装下整个球面信号。

但问题在于，这种投影在靠近两极的区域会产生严重的畸变。赤道附近一个 1 度的格子，是差不多正方形的；到了纬度 80 度的地方，同一个经度跨度对应的实际弧长已经缩小到赤道处的六分之一不到；到了极点，整个纬线圈成了一个点。如果用普通卷积在这个图上滑窗，卷积核在赤道看到的是一片局部的真实内容，在极区看到的却是被横向拉伸了几倍的扭曲内容。同一个卷积核在不同位置提取的特征，物理含义完全对不上。

更麻烦的是，旋转等变性在这里彻底丢失了。你在球面上把一个物体旋转 45 度，反映到等矩形投影图上，内容不是简单地平移 45 个像素，而是一种非常复杂的非线性变形。普通 CNN 对平移是等变的，对旋转完全不买账。所以处理全景图、卫星遥感数据、分子表面电势这类球面数据时，直接套用平面 CNN，效果会打折扣，而且对输入朝向非常敏感。

1.2 旋转等变是怎么被引入的：群卷积的思想

Spherical CNN 的核心思路，是把“对球面做卷积”这件事本身重新定义。它要保证的是这么一条性质：如果输入信号被旋转了某个角度，那么网络中间层的特征图也应该被旋转同样的角度，而不是发生形变。

这个性质在数学上叫旋转等变性。为了实现它，论文里引入的是群卷积的思路。普通卷积的核心是在图像上滑动一个卷积核，计算局部加权和；群卷积则更进一步，不仅要在球面的每个位置上计算卷积响应，还要在所有的旋转方向上计算响应。也就是说，卷积结果不再是一个球面信号，而是在 SO(3) 旋转群上的信号。这样做的代价是特征图的维度变大了，好处是网络对输入朝向完全不敏感，分类和识别任务能获得很强的泛化能力。

1.3 源码里绕不开的三座大山：SH、SO(3)、Wigner-D

真正打开源码之后，你会发现所有复杂的数学都浓缩在了三样东西里。

第一样是球面谐波（Spherical Harmonics，简称 SH）。它是定义在球面上的一组正交基函数，作用类似傅里叶变换里的正弦余弦波。任何一个球面信号，都可以分解成一系列 SH 系数的加权和。源码里会有一个模块专门做球面谐波变换（SHT），把空间域的球面信号变换到频域。

第二样是 SO(3) 群本身。球面上的旋转操作构成的数学群体，源码里会生成大量旋转矩阵，用来实现对特征图的旋转变换。

第三样是 Wigner-D 矩阵。这是 SO(3) 群上的“傅里叶基底”，用于处理旋转群上的信号变换。球面卷积在频域实现时，依赖的就是 Wigner-D 矩阵的分块对角结构。理解这一点，是读懂所有核心代码的钥匙。

一句话总结：球面卷积在空间域做很麻烦，所以源码几乎都在频域里操作——先 SHT 到 SH 系数空间，然后利用 Wigner-D 矩阵的分块结构做卷积计算，最后再逆变换回来。

2. 源码结构总览：一个典型的 Spherical CNN 仓库里都有什么

2.1 目录结构与核心文件分工

我读过几个 Spherical CNN 的开源实现，包括论文作者的原始版本和一些社区复刻版。虽然框架不同（有的是 TensorFlow 1.x，有的是 PyTorch），但文件组织方式高度相似。一个典型的仓库结构大致是这样的：

spherical_cnn/ ├── sh_transform/ # 球面谐波变换相关 │ ├── sht.py # 前向/逆向 SHT 核心实现 │ ├── legendre.py # 连带勒让德多项式计算 │ └── sampling.py # 球面采样网格生成 ├── layers/ │ ├── conv.py # 球面卷积层 / SO(3) 卷积层 │ ├── nonlinearity.py # 等变非线性层 │ ├── pooling.py # 球面池化层 │ └── normalization.py # 归一化层 ├── models/ │ └── sp_cnn.py # 网络组装 ├── data/ │ └── spherical_dataset.py # 球面数据加载与预处理 ├── train.py # 训练脚本 └── utils/ ├── rotation.py # 旋转矩阵 / Wigner-D 生成 └── io_utils.py

这个分工很有讲究。SH 变换和旋转矩阵生成属于底层基础模块，它们不依赖任何深度学习框架，纯粹的 NumPy/SciPy 就能搞定。卷积层、非线性层、池化层是网络的核心组件，负责把频域操作封装成可训练的层。模型文件把各层串起来，训练脚本负责数据加载和反向传播。

2.2 数据流与张量尺寸变化：一张图看懂代码走向

我强烈建议你拿到源码后，第一步不是读代码，而是把张量的形状变化画出来。我在最初读代码时没做这一步，结果在 SH 系数维度和旋转维度上来回迷路，白白浪费了好几天。

在一个典型的图像分类任务里，输入是[Batch, Height, Width, Channels]，其中 Height 和 Width 对应球面的纬度采样数和经度采样数。进入网络后，张量经历的变化大致是：

1. 空间域 → 频域：[B, H, W, C]通过 SHT 变成[B, Bandwidth, Bandwidth, C]。这里的 Bandwidth（通常用 L 表示）是截断的球面谐波频带数。注意这里的维度是复数域，实际存储时可能拆成实部和虚部，或者用复数张量表示。

2. 频域卷积：在 SH 系数空间做卷积操作，特征图的尺寸不会改变，仍然是[B, L, L, C_out]。这是频域卷积的优势——不需要 padding，也没有 stride 的概念。

3. 非线性激活：频域不能直接做 ReLU，因为频域里的逐点 ReLU 会破坏等变性。源码的做法一般是逆变换回空间域做 ReLU，再变换回频域。这一步会产生额外的 SHT 开销，但数学上是必须的。

4. 池化：通过降低带宽来实现。[B, L, L, C]变成[B, L', L', C]，其中 L' < L。相当于丢弃高频的 SH 系数，保留低频成分。

5. 分类层：最后通常是 global pooling，在频域上对所有的系数做某种聚合，得到一个固定长度的向量，接全连接层和 softmax。

![数据流不可见，请以文字描述为准]

这个流程中的数据形状变化，是整个源码的主心骨。你把这个理清了，后面读任何一段代码都能快速定位它处于整个流水线的哪个环节。

2.3 框架选择与版本兼容：劝退无数人的隐形坑

Spherical CNN 这篇 ICLR 2018 论文的原始代码是 TensorFlow 1.x 写的。我只能说，如果你想直接跑原始仓库，先把心理预期放低。TF 1.x 的 session 机制、tf.contrib模块、各种隐式全局变量，在今天的深度学习中已经非常不顺手。我试过在 Python 3.8 和 TF 2.10 里跑原版代码，光是把tf.contrib替换掉就花了一个晚上，后面还有一堆tf.compat.v1的兼容补丁。

如果只是学习源码逻辑，我建议看社区里用 PyTorch 重写的实现。PyTorch 对复数的支持相对清爽，自动求导机制也比 TF 1.x 的静态图直观很多。但要注意，PyTorch 1.8 之后的复数张量 API 有过一次不小的调整，老代码里用torch.complex64创建张量的写法，在新版本上可能会警告甚至报错。

另外，SH 变换的实现通常依赖scipy.special.lpmn或者numpy.polynomial.legendre计算连带勒让德多项式。这几个函数的参数含义略有不同，而且在高阶数（比如带宽 64 以上）时数值稳定性会下降，调试时容易在隐蔽的地方翻车。

3. 核心代码模块逐段拆解：从采样到等变卷积

3.1 球面采样网格：等矩形 vs HEALPix，代码里是怎么选的

球面信号在计算机里必须以离散形式存储。最直接的方式是均匀经度/纬度网格，也就是等矩形网格。在源码里，通常会用两个一维数组theta = np.linspace(0, np.pi, num_theta)和phi = np.linspace(0, 2*np.pi, num_phi)来生成网格坐标。

这个方式简单，但存在两个问题。一是极点处过采样严重，二是从经纬网格构造球面谐波系数时，数值积分的权重不均匀。许多源码会在积分时用sin(theta)作为权重来补偿，但这只能缓解问题，不能根治。

另外一个常见的采样方案是 HEALPix。它的核心思想是把球面分成面积相等的一系列像素，每个像素的形状接近正方形，极点区域的畸变被有效控制。Healpix 在天体物理领域用得非常多，所以有成熟的开源库。如果你的网络要处理的是全天空微波背景辐射这类数据，强烈建议直接用 HEALPix，而不是等矩形网格。

在源码层面，HEALPix 的坐标生成通常会调用healpy库的接口。但要注意，HEALPix 网格与 SH 变换的配合没有等矩形网格那么直接，需要额外的索引映射和重采样操作。原作者代码里没有用 HEALPix，而是用了等矩形网格加加权积分，我觉得纯粹是出于实现便利的考虑，并非数学上最优。

3.2 球面谐波变换（SHT）的实现：代码里的分步计算

SHT 是整个 Spherical CNN 地基。看不懂它，后面所有层都是空中楼阁。

从数学定义说，球面信号 ( f(\theta, \phi) ) 的 SH 系数 ( \hat{f}_{l}^{m} ) 等于信号在某个球面谐波基函数上的投影，公式是：

[ \hat{f}_l^m = \int_0^{2\pi} \int_0^\pi f(\theta, \phi) , Y_l^{m*}(\theta, \phi) , \sin\theta , d\theta , d\phi ]

其中 ( Y_l^m ) 是球面谐波函数，它本身可以拆成两部分：关于经度的复指数函数 ( e^{im\phi} ) 和关于纬度的连带勒让德多项式 ( P_l^m(\cos\theta) )。这个可分离结构是源码实现的关键。

在实际代码里，SHT 通常分两步完成：

第一步：沿经度方向做 FFT。

因为 ( e^{imphi} ) 本质上就是傅里叶基底，所以对球面信号的每一根纬线（固定 theta，变化 phi 的一维数组）做 FFT，就能得到中间结果。这一步用numpy.fft.fft就行，速度很快。

第二步：沿纬度方向做勒让德变换。

把第一步的结果和连带勒让德多项式做内积，得到最终的 SH 系数。这一步源码里通常用scipy.special.lpmn生成勒让德多项式，再通过矩阵乘法完成投影。

从源码的角度看，SHT 的实现通常被封装成一个函数，输入是空间域的采样数据，输出是 SH 系数张量。需要注意几个细节：

• 带宽截断：SH 系数的数量不是无限的，源码会让你指定一个bandwidth（通常记为 ( L )），只有 ( l < L ) 的系数被保留下来。( L ) 决定了频率分辨率的最高限度，也直接决定了系数的数量。

• 系数顺序：不同源码对 SH 系数的存储顺序约定不同。有的是[l, m]顺序，有的是[m, l]，有的把实数形式和复数形式混用。我踩过的坑就是两个模块之间系数顺序不一致，逆变换出来的结果完全错乱。读源码时第一时间确认这个约定。

• 前向和逆向的归一化：有些实现把归一化因子放在前向变换里，有些放在逆向里，有些用 Parseval 定理来校准。这直接关系到网络训练时能量守恒和梯度幅值的正确性。

3.3 球面卷积层的频域实现：从代码看卷积为什么变成了“乘法”

如果是第一次读球面卷积层，可能会有个疑问：为什么代码里没有卷积操作，全是矩阵乘法和张量重塑？这其实是频域卷积的典型特征。

根据卷积定理，空间域的卷积等价于频域的逐元素乘法。球面卷积也不例外。在源码里，球面卷积层做的事情本质上是：

1. 把输入信号通过 SHT 变到频域，得到系数 ( \hat{f}_l^m )。
2. 把卷积核也变到频域，得到 ( \hat{h}_l )（注意，球面卷积核通常只依赖于 ( l )，不依赖于 ( m )，这是旋转等变带来的约束）。
3. 在频域做乘法：( \hat{g}_l^m = \hat{f}_l^m \cdot \hat{h}_l )。
4. 可选地做逆 SHT，回到空间域进行后续处理。

在代码层面，conv_sphere的核心逻辑通常就几行。关键在第三步那个乘法，因为系数的维度是 ( [L, L] )（对应 ( l ) 和 ( m )），而卷积核是 ( [L] ) 的向量，源码会利用 NumPy 或 PyTorch 的 broadcasting 机制，让每个 ( \hat{h}_l ) 自动乘到所有 ( m ) 系数上。

而到了 SO(3) 卷积层，逻辑更复杂一些。它处理的不再是球面信号，而是定义在旋转群上的信号。每个特征图都有多个 ( l ) 分量，每个分量是一个 ( (2l+1) \times (2l+1) ) 的矩阵。卷积操作变成了矩阵乘法，涉及 Wigner-D 矩阵的分块结构。源码里这个操作往往是通过einsum来实现的，例如torch.einsum('bcij,ijco->bco', feature, kernel)这种形式。einsum的好处是简洁，坏处是阅读门槛高，调试时很难看清楚维度是怎么对齐的。

3.4 等变非线性层：ReLU 为什么要在空间域做

大多数人刚开始读源码时，会忽略非线性层，觉得不就是个 ReLU 吗？但在 Spherical CNN 里，非线性是最容易出错的一个环节。

原因很简单：频域里的逐点 ReLU 会破坏旋转等变性。因为 ReLU 是逐点运算，在频域的“点”对应的是系数，而不是球面上的空间位置。对系数做 ReLU 没有明确的几何意义，而且会破坏系数之间的线性关系，导致旋转后结果不一致。

源码里的正确做法是：

1. 对频域特征做逆 SHT，回到空间域。
2. 在空间域做 ReLU。
3. 再做前向 SHT，回到频域。

这个操作的代价很高，因为 SHT 本身就是最耗时的计算。所以源码里大部分实现会在内存中缓存正向和逆向变换的矩阵，避免重复计算。

值得一提的是，有些进阶源码会使用norm ReLU或者gated nonlinearity来减少性能损耗。前者对每个频带系数的范数做激活，后者额外学一个门控系数。这些方案在空间域和频域之间只需部分切换，能显著提升训练速度，但源码复杂度会上升一个量级。

3.5 旋转等变的实现：Wigner-D 矩阵在代码里的真实面目

很多人读到这里就卡住了。Wigner-D 矩阵是 ( (2l+1) \times (2l+1) ) 的不可约表示矩阵，它描述了在某个旋转操作下，频域系数如何变换。源码里，Wigner-D 矩阵的生成通常用的是scipy.special里的sph_harm或者专用库lie_learn，人话就是：对每个频带 ( l )，给定一组旋转参数（例如欧拉角），生成一个矩阵 ( D^l(\alpha,\beta,\gamma) )。

在代码使用层面，最关键的是矩阵乘法怎么和特征张量的维度对齐。假设特征张量在频域的形状是[B, L, L, C]，其中第一维的 L 对应 m（或 l），第二维的 L 对应 index，旋转操作实际上是选取一个旋转矩阵，然后对每个通道分别做矩阵乘法。

我在源码里见过两种主要实现方式：

• 显式矩阵乘法：每次旋转时构造一个[B, (2l+1), (2l+1)]的 Wigner-D 矩阵，然后用matmul作用在特征上。这种方式适合小规模数据，容易理解。

• 对旋转集合做批处理：在等变网络中，要同时计算多个旋转下的响应，就把所有旋转矩阵拼成一个更大的张量，用一次批量矩阵乘法完成。这种方式节省循环开销，但内存占用大，而且代码可读性差。

调试时的经验是：先用一个很小的网络、一个固定的旋转角度，手算或手推一遍特征经过旋转之后的变化，再看看代码输出是否吻合。如果吻合，再相信代码，否则别急着继续往下走。

3.6 池化层与降带宽操作：View 一下就把频率砍了

Spherical CNN 里的池化层，实现极其简单，简单到你以为自己看错了。它做的只是把 SH 系数的后部分截掉，只保留低频分量。

假设当前带宽是 ( L=32 )，特征维度是[B, 32, 32, C]，池化到 ( L=16 ) 的话，代码里会这样处理：

pooled = feature[..., :16, :, :]

就这。把 m 维度超过 16 的系数全部扔掉。这样操作在频域完全合理，因为低频分量保留的是信号的主体结构，高频分量对应细节。这种池化方式没有参数，不会产生额外开销，还天然保证了等变性。

不过有个坑要注意：降带宽之后，后续层的卷积核尺寸、归一化参数、Wigner-D 矩阵的维度都要跟着调整，否则张量维度不匹配。源码里通常会把带宽作为网络结构的一个全局参数传入，确保各个层步调一致。你在修改或移植代码时，务必检查每一处用到带宽的地方。

4. 复现与调试中的踩坑记录

4.1 带宽选择：小了丢信息，大了炸显存

我之前有一次用 Spherical CNN 做全景场景分类，数据集是 512x256 的等矩形图。最初我按照论文推荐的带宽 ( L=64 ) 来跑，结果显存直接爆掉。后来我把带宽降到 ( L=32 )，模型精度掉了不少，因为高频纹理信息对场景分类很重要。

我自己实际测试下来，给出一个经验范围：

带宽 ( L ) 近似对应空间分辨率，分辨率越高，能支撑的最高频率也越高。但带宽增大会导致 SH 系数数量以 ( O(L^2) ) 速度增长，中间层特征图的体积增长更快。源码在初始化自定义网络时，建议先用小带宽跑通流程，再用大带宽做最终实验。

4.2 数值精度：单精度还是双精度？

这是一个非常细节但极其致命的问题。SHT 涉及大量的三角学和勒让德多项式计算，在高频段（大 l 值）会出现严重的数值不稳定。我自己调试时发现，在带宽 ( L=48 ) 的情况下，如果全程用 float32，逆变换回来的空间域信号会有明显的噪声；把关键计算部分改成 float64 后，误差小了将近 3 个数量级。

但 full precision 带来的问题是显存翻倍、训练速度下降。源码里常见的折中方案是：在 SHT 模块用 float64 计算积分矩阵（或者说变换矩阵），计算完成后将其缓存，转成 float32 供训练使用。隐藏的好处是，梯度反传时使用缓存的矩阵，不再涉及勒让德多项式的重新计算，速度快很多。

4.3 等变性测试：怎么验证源码真的“等变”

我在调试 Spherical CNN 的过程中，一半时间都花在自检上。最有效的自检方法是随机选一个旋转角度，然后做两步操作：

1. 先旋转输入信号，再通过网络前向传播；
2. 先通过网络前向传播，再旋转输出的特征图。

然后对比两个结果是否一致。如果网络是完全等变的，两个结果应该完全一样（或者数值上误差在阈值内）。不一致的地方在哪一段出现，就说明问题出在哪一段。

我亲测这个方法能快速定位 bug。比如之前我在测试时发现第二阶段和第一阶段的结果总是差一点，查了半天发现是 Wigner-D 矩阵的实现把共轭转置搞反了。

4.4 从 TF1 代码迁移到 PyTorch 时的移植要点

如果你拿到的是原版 TF1 代码，想迁到 PyTorch，几个地方需要注意：

• 复数张量的处理：TF1 时代常用两个实张量拼在一起表示复数，PyTorch 从 1.8 开始原生支持复数张量。重建代码时可以直接用torch.complex64，但要注意旧代码里的real和imag调用方式需要全部替换。

• 自定义梯度：SHT 模块如果用scipy计算变换矩阵，在 PyTorch 里需要注册torch.autograd.Function，在forward里执行矩阵乘法，在backward里利用 SHT 矩阵的性质（逆变换矩阵是前向变换矩阵的伪逆或转置）计算梯度。

• 随机旋转数据增强：原版代码里生成随机旋转矩阵用的是lie_learn库的接口，迁移时可以直接用scipy.spatial.transform.Rotation.random()，然后转成欧拉角，再喂给 Wigner-D 生成函数。

4.5 高频噪声与能量泄漏

做 SH 变换时，如果输入信号在空间域不是严格带限的，那么高频成分会在重建时泄漏到低频系数中，产生类似频谱混叠的问题。源码层面没有自动处理这个，需要你自己在信号进入网络前做低通滤波。

我之前在实验里发现训练损失不稳定，从第四五个 epoch 开始震荡。排查后发现是我的输入信号在切到等矩形网格时产生了很陡的边缘，导致高频能量极强，SH 系数里出现了明显的吉布斯现象。后来我在预处理环节加入高斯滤波，在极点区域做平滑过渡，问题马上解决了。这说明，输入预处理对 Spherical CNN 的影响，有时比网络结构本身还大。

5. 源码改造与扩展：从分类到更复杂的任务

读懂了基础源码之后，很有必要尝试按自己的任务需求改造它。这里分享几个常见的方向和源码层面的改动技巧。

5.1 把球面卷积用到非图像数据上：点云和分子势能面

Spherical CNN 不只能处理全景图。源代码里的 SHT 模块、卷积层、等变层是完全独立于具体数据的。我近期在一个项目里处理点云法向量方向的概率分布，用的就是把点云法向量统计成球面信号，再输入到这个网络里。这个场景下，唯一需要改的是数据预处理部分，把点云法向量方向通过某种核密度估计离散化到球面网格上，剩下的一切都不用动。

分子势能面也是经典应用。分子结构可以用一组原子坐标表示，配分函数或者能量在旋转下不变，这就天然适合用等变网络处理。把原子坐标投影到径向函数加球面谐波展开，作为网络输入，是目前一个非常火的方向。

5.2 换成非等变的后续任务：把 Spherical CNN 当作特征提取器

很多情况下，我们的任务端点不是旋转等变的。比如全景图里的物体检测，需要知道物体在哪个位置，这本质上要求网络输出的特征对旋转保持某种“位置敏感”的信息。

这时可以把 Spherical CNN 前几层作为特征提取器，把频域系数作为特征向量，然后在最后的任务头里引入一些非等变操作。常见的做法是：把频域特征逆变换回空间域，在空间域做检测。这样既享受了前面等变层的稳定性，又不会受限于等变约束导致的空间定位能力不足。源码改造的核心，通常就是调整网络最后一层的输出形式，把频域张量换成空间域张量。

5.3 新的旋转群与多尺度框架

等变卷积的思想完全可以沿用到其他旋转群上。比如在二维平面上旋转，对应的是 SE(2) 群上的等变卷积。源码层面可以复用的东西很多：Wigner-D 矩阵的生成逻辑、频域乘法的实现框架、等变非线性的处理方式，都是抽象出来的公共模块。

多尺度框架也是可行的扩展方向。目前 SH 变换返回的是全频带的系数，而不同频带其实对应不同尺度的几何信息。在代码中，你可以在频带维度上做切片，把低频与高频分别输入到不同分支的网络，然后把它们在后续层拼接或相加。这种操作由于 SH 系数的可分割性，实施起来比普通 CNN 的特征金字塔还要简单——你不需要任何下采样操作，直接切维度就行。

5.4 一个提高训练稳定性的小技巧

最后说一个小技巧，是我在调参时发现的。在频域卷积层之后，对系数做 LayerNorm 或 InstanceNorm 的时候，要注意归一化所在维度。因为频域系数的每个通道有实部和虚部，而 Wigner-D 的不变性要求归一化的操作不能破坏频带之间的相对关系。所以通常做法是：每个样本、每个频带独立做归一化，均值在带宽内计算。这在 PyTorch 里用一次torch.view加torch.mean(dim=..., keepdim=True)就能搞定，但方向搞错的话，等变性就悄悄没了。

我的实际经验是，在调试任何等变网络时，都保持一个最小复现脚本在手边，这个脚本里有一个固定的随机种子、一个固定的旋转角度，和一个能肉眼可判断的空间信号。每次改动代码之后，就跑一遍检查等变性是否保持。这个脚本能救你无数次。

6. 一些值得看的参考实现

如果你打算亲自上手，除了读论文原文，下面几个仓库值得优先看：

• 论文作者的原始实现：在 GitHub 上搜Spherical CNN，能找到 ICLR 2018 作者的官方代码。虽然是 TF1 版，但数学注释非常详细，特别适合理解核心思想。我个人不推荐直接拿它训练，但读代码非常友好。

• PyTorch 复刻版：社区里有一个比较完整的 PyTorch 版，文件组织清晰，适合在此基础上改自己的代码。它把 SHT 和 Wigner-D 分别封装成了独立的autograd.Function，这一点对我启发很大——把底层变换和上层网络解耦，调试时能迅速隔离问题。

• lie_learn库：这是一个专门做李群学习相关的工具库，里面包含了大量球面谐波、Wigner-D 矩阵、旋转群采样的实现。很多 Spherical CNN 的源码都直接依赖它。如果你要实现自己的等变层，这个库的文档值得仔细看。

再提醒一点，任何仓库跑通之后，第一时间做的事情是“破坏性测试”：改一个维度，看报错信息是否准确指出问题所在。等变网络的张量维度复杂，如果你不能快速从报错中定位问题，后面改代码的效率会非常低。

我自己啃 Spherical CNN 源码，最大的体会是：数学公式和代码实现之间，存在一大片“隐含知识”。公式写的是连续的积分变换，代码里全是一堆矩阵乘法和维度变换。只有把每一步操作对应到公式的哪一个部分，才能真正弄懂这个网络在做什么。希望这篇解析能帮你少走一些弯路。