如何在 TensorFlow 中用一维内核卷积信号？

Question

我正在尝试过滤形状为 TensorFlow 张量(N_batch, N_data)，其中N_batch是批量大小（例如 32），N_data是（嘈杂的）时间序列数组的大小。我有一个高斯核（取自这里），它是一维的。然后我想tensorflow.nn.conv1d用我的信号来卷积这个内核。我早上大部分时间都在努力使输入信号和内核的维度正确，但显然没有成功。从我从互联网上收集的信息来看，输入信号和内核的维度都需要以某种挑剔的方式对齐，而我就是不知道是哪种方式。TensorFlow 错误消息也不是特别有意义 ( Shape must be rank 4 but is rank 3 for 'conv1d/Conv2D' (op: 'Conv2D') with input shapes: [?,1,1000], [1,81])。下面我包含了一小段代码来重现这种情况：import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# Based on: https://stackoverflow.com/a/52012658/1510542# Credits to @zephyrusdef gaussian_kernel(size, mean, std):    d = tf.distributions.Normal(tf.cast(mean, tf.float32), tf.cast(std, tf.float32))    vals = d.prob(tf.range(start=-size, limit=size+1, dtype=tf.float32))    kernel = vals   # Some reshaping is required here    return kernel / tf.reduce_sum(kernel)def gaussian_filter(input, sigma):    size = int(4*sigma + 0.5)    x = input   # Some reshaping is required here    kernel = gaussian_kernel(size=size, mean=0.0, std=sigma)    conv = tf.nn.conv1d(x, kernel, stride=1, padding="SAME")    return convdef run_filter():    tf.reset_default_graph()    # Define size of data, batch sizes    N_batch = 32    N_data = 1000    noise = 0.2 * (np.random.rand(N_batch, N_data) - 0.5)    x = np.linspace(0, 2*np.pi, N_data)    y = np.tile(np.sin(x), N_batch).reshape(N_batch, N_data)    y_noisy = y + noise    input = tf.placeholder(tf.float32, shape=[None, N_data])    smooth_input = gaussian_filter(input, sigma=10)    with tf.Session() as sess:        sess.run(tf.global_variables_initializer())        y_smooth = smooth_input.eval(feed_dict={input: y_noisy})        plt.plot(y_noisy[0])        plt.plot(y_smooth[0])        plt.show()if __name__ == "__main__":    run_filter()有任何想法吗？

Answer 1

您需要为输入/内核添加通道维度，因为 TF 卷积通常用于多通道输入/输出。当您使用简单的 1 通道输入/输出时，这相当于添加一些大小为 1 的“虚拟”轴。

由于默认情况下卷积期望通道最后出现，因此您的占位符应具有形状，[None,  N_data, 1]并且您的输入应修改为

y_noisy = y + noise

y_noisy = y_noisy[:, :, np.newaxis] 

同样，您需要向过滤器添加输入和输出通道维度：

kernel = gaussian_kernel(size=size, mean=0.0, std=sigma)

kernel = kernel[:, tf.newaxis, tf.newaxis]

也就是说，过滤器应具有 shape [width, in_channels, out_cannels]。