Question

我正在尝试运行简单的卷积，但数字很复杂：

r = np.random.random([1,10,10,10])
i = np.random.random([1,10,10,10])
x = tf.complex(r,i)

conv_layer = tf.layers.conv2d(
            inputs=x,
            filters=10,
            kernel_size=[3,3],
            kernel_initializer=utils.truncated_normal_complex(),
            activation=tf.nn.sigmoid)

但是我收到了这个错误：

TypeError: Value passed to parameter 'input' has DataType complex128 not in list of allowed values: float16, float32

有没有人知道如何在Tensorflow中实现这样的卷积？

我是否需要实现自定义操作，或者这里有更好的选择吗？

令人沮丧的是，复杂的矩阵乘法是可能的，例如，运行良好：

def r():
    return np.random.random([10,10])
A = tf.complex(r(),r())
B = tf.complex(r(),r())
C = tf.multiply(A,B)
sess.run(C)

所以没有真正的理由卷积不起作用，我认为（因为卷积基本上只是矩阵乘法）。

由于

Answer 1

可能为时已晚，但对于仍然有兴趣的人：将卷积应用于复杂值的数据并不像通常的数据类型（如float32）那样简单。有一些研究为此目的研究了不同的网络结构（例如，请参见link中的“ Deep Complex U-Net”）。 pytorch和tensorflow中有这些结构的实现。

Answer 2

所有复数值特征均分为笛卡尔（实数，虚数）或极性（模数，角度）表示。没有人真正尝试使用纯粹复杂的单个功能。我希望证明自己是错的！

张量流中的复卷积

2 个答案: