speechbrain.nnet.complex_networks.c_linear 模块

实现复数值线性变换的库。

Authors

  • Titouan Parcollet 2020

摘要

类：

CLinear

该函数实现了一个全连接的复数值线性层：y = Wx + b。

参考

class speechbrain.nnet.complex_networks.c_linear.CLinear(n_neurons, input_shape, bias=True, init_criterion='glorot', weight_init='complex')[source]

基础：Module

此函数实现了一个全连接的复数值线性层：y = Wx + b。因此，y、W、x 和 b 都是复数。复数表示为：r + xi。一个复数张量 x = [batch, 32] 可以理解为 [batch, 0:15] = R 和 [batch, 16:31] = Xi。因此，特征维度被减半（必须能被2整除）。

Parameters:

  • n_neurons (int) – 这是输出神经元的数量（即输出的维度）。请注意，这些是复数值神经元。如果指定了256个神经元，输出维度将是512。

  • input_shape (tuple) – 输入的预期大小。

  • bias (bool) – 如果为True，则采用加法偏置b。

  • init_criterion (str , optional) – (glorot, he). 此参数控制权重的初始化标准。 它与weights_init结合使用，以构建复数权重的初始化方法（默认为“glorot”）。

  • weight_init (str, 可选) – (complex, unitary). 此参数定义了复数权重的初始化过程（默认为“complex”）。“complex”将根据init_criterion和复数极坐标形式生成随机复数权重。 “unitary”将权重归一化到单位圆上。 更多详情请参阅：“Deep Complex Networks”，Trabelsi C. 等人。

Example

>>> inputs = torch.rand(10, 50, 40)
>>> lin = CLinear(n_neurons=100, input_shape=inputs.shape)
>>> output = lin(inputs)
>>> output.shape
torch.Size([10, 50, 200])
forward(x)[source]

返回输入张量的线性变换。

Parameters:

x (torch.Tensor) – 输入以进行线性变换。

Return type:

输入的复杂线性变换。