speechbrain.nnet.complex_networks.c_ops 模块

This library implements different operations needed by complex-

有价值的架构。 这项工作受到以下启发：Trabelsi C.等人的“深度复杂网络”。

Authors

• Titouan Parcollet 2020

摘要

函数：

affect_conv_init	应用给定的权重初始化函数到参数上。
affect_init	应用给定的权重初始化函数到参数上。
check_complex_input	检查线性层的复数值形状。
complex_conv_op	对输入数据应用复杂的卷积。
complex_init	返回一个复数矩阵，初始化方式如《深度复数网络》中所述，作者：Trabelsi C.
complex_linear_op	对输入数据应用复杂的线性变换。
get_conjugate	返回输入复数的共轭（z = r - xi）。
get_imag	返回复数输入的虚部。
get_real	返回复数值输入的实部。
multi_mean	对input的多个维度执行torch.mean。
unitary_init	返回一个由单位复数组成的矩阵。

参考

speechbrain.nnet.complex_networks.c_ops.check_complex_input(input_shape)

检查线性层的复数值形状。

Parameters:

input_shape (tuple) – 输入的预期形状。

speechbrain.nnet.complex_networks.c_ops.get_real(input, input_type='linear', channels_axis=1)

返回复数值输入的实际部分。

Parameters:

• 输入 (torch.Tensor) – 输入张量。

• input_type (str,) – (卷积, 线性) (默认 “linear”)

• channels_axis (int.) – 默认值为1。

Return type:

复数值输入的实部。

speechbrain.nnet.complex_networks.c_ops.get_imag(input, input_type='linear', channels_axis=1)

返回复数值输入的虚部。

Parameters:

• 输入 (torch.Tensor) – 输入张量。

• input_type (str) – (卷积, 线性) (默认 “linear”)

• channels_axis (int) – 默认值为1。

Return type:

复数值输入的虚部。

speechbrain.nnet.complex_networks.c_ops.get_conjugate(input, input_type='linear', channels_axis=1)

返回输入复数的共轭（z = r - xi）。

Parameters:

• 输入 (torch.Tensor) – 输入张量

• input_type (str,) – (卷积, 线性) (默认 “linear”)

• channels_axis (int.) – 默认值为1。

Return type:

输入复数的共轭。

speechbrain.nnet.complex_networks.c_ops.complex_linear_op(input, real_weight, imag_weight, bias)

对输入数据应用复杂的线性变换。

Parameters:

• input (torch.Tensor) – 要进行变换的复数输入张量。

• real_weight (torch.Parameter) – 该层四元数权重矩阵的实部。

• imag_weight (torch.Parameter) – 该层四元数权重矩阵的第一个虚部。

• 偏差 (torch.Parameter)

Return type:

应用复杂线性变换后的输出。

speechbrain.nnet.complex_networks.c_ops.complex_conv_op(input, real_weight, imag_weight, bias, stride, padding, dilation, conv1d)

对输入数据应用复杂的卷积。

Parameters:

• input (torch.Tensor) – 要进行变换的复数输入张量。

• real_weight (torch.Parameter) – 该层四元数权重矩阵的实部。

• imag_weight (torch.Parameter) – 该层四元数权重矩阵的第一个虚部。

• 偏差 (torch.Parameter)

• stride (int) – 卷积滤波器的步长因子。

• padding (int) – 填充量。有关更多信息，请参阅 torch.nn 文档。

• dilation (int) – 卷积滤波器的扩张因子。

• conv1d (bool) – 如果为真，将应用一维卷积操作。否则，将调用二维卷积。

Return type:

应用复杂卷积后的输出。

speechbrain.nnet.complex_networks.c_ops.unitary_init(in_features, out_features, kernel_size=None, criterion='glorot')

返回一个单位复数的矩阵。

Parameters:

• in_features (int) – 输入层的实数值数量（四元数 // 4）。

• out_features (int) – 输出层的实数值数量（四元数 // 4）。

• kernel_size (int) – 卷积层的核大小（例如：(3,3)）。

• criterion (str) – (glorot, he) (默认 “glorot”).

Return type:

单位复数的矩阵。

speechbrain.nnet.complex_networks.c_ops.complex_init(in_features, out_features, kernel_size=None, criterion='glorot')

返回一个复数矩阵，初始化方式如下： “深度复数网络”，Trabelsi C. 等人。

Parameters:

• in_features (int) – 输入层的实数值数量（四元数 // 4）。

• out_features (int) – 输出层的实值数量（四元数 // 4）。

• kernel_size (int) – 卷积层的核大小（例如：(3,3)）。

• criterion (str) – (glorot, he) (默认 “glorot”)

Return type:

初始化的复数矩阵。

speechbrain.nnet.complex_networks.c_ops.affect_init(real_weight, imag_weight, init_func, criterion)

将给定的权重初始化函数应用于参数。

Parameters:

• real_weight (torch.Parameters)

• imag_weight (torch.Parameters)

• init_func (function) – (unitary_init, complex_init)

• criterion (str) – (glorot, he)

speechbrain.nnet.complex_networks.c_ops.affect_conv_init(real_weight, imag_weight, kernel_size, init_func, criterion)

将给定的权重初始化函数应用于参数。 这是专门为卷积层编写的。

Parameters:

• real_weight (torch.Parameters)

• imag_weight (torch.Parameters)

• kernel_size (int)

• init_func (function) – (unitary_init, complex_init)

• criterion (str) – (glorot, he)

speechbrain.nnet.complex_networks.c_ops.multi_mean(input, axes, keepdim=False)

对input的多个维度执行torch.mean。