使用 Pytorch 进行一维信号卷积

Question

我正在学习信号卷积，我有点混淆 Pytorch 函数 conv1d 和 scipy 卷积之间的区别。我确信的是 pytorch conv1d 实际上是在计算互相关，而 scipy 将执行传统的卷积。我可以手动翻转内核以从互相关匹配到卷积。

例如，现在我有一个长度为 120（120 个计时点）的 1D 内核和一个长度为 149（149 个计时点）的信号 Sob。我知道 Sob 来自一些名为 Strue conv 的内核信号（长度 120）。我的最终目标是获得 Sture。

假设我随机猜测 Sture，长度应该是多少？如果我想保持Strue与Sobs的长度相同，那么卷积结果（Strue * kernel）将变成149 + 120 - 1 = 268（我想使用完整模式）而不是Sobs = 149。我该怎么办在这里？

如果我想使用 pytorch 编写代码（我想通过完全连接的神经网络获得初始 Strue 猜测）。如果我想使用 pytorch 函数 conv1d 计算 conv，网络将给我一个随机 Sture [size, 1]，因为它是一维信号。我的小批量是什么？应该是149还是1？ pytorch 函数 conv1d 仅具有有效且相同的模式。如何调整填充以匹配 Scipy 中的完整模式？

Answer 1

1. Strue 的长度应该由您的问题预定义，因为它应该是真实数据。所以你应该再次检查你的问题。
2. 对于 pytorch 上的一维卷积，你的数据应该是

   [BATCH_SIZE, 1, size]

   形状（假设你的信号只包含 1 个通道），并且 pytorch 功能

   conv1d

   实际上支持数字填充（应该填充两侧），这样你可以输入

   kernel_size - 1

   （在您的情况下为

   119

   ）作为填充参数来模仿全模式卷积。

3. BATCH_SIZE

   应该独立于您的数据，因为这意味着它们是单独的数据点，堆叠在一起以便彼此并行计算。

这是一个例子：

x = torch.rand(1,1,149)
kernel = torch.rand(1,1,120) #<- [out_channels, in_channels, kernel_size] 
torch.nn.functional.conv1d(x, kernel, padding= 119).shape

>>> torch.Size([1, 1, 268])