如何在 TensorFlow 中将信号与一维内核进行卷积？答案

【问题标题】：How to convolve signal with 1D kernel in TensorFlow?如何在 TensorFlow 中将信号与一维内核进行卷积？
【发布时间】：2019-03-19 17:56:54
【问题描述】：

我正在尝试过滤形状为 (N_batch, N_data) 的 TensorFlow 张量，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here），它是一维的。然后我想使用tensorflow.nn.conv1d 将此内核与我的信号进行卷积。

我上午的大部分时间都在尝试正确获取输入信号和内核的维度，但显然没有成功。从我从互联网收集到的信息来看，输入信号和内核的尺寸都需要以某种挑剔的方式对齐，我只是不知道那是哪种方式。 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 tf
import numpy as np
import matplotlib.pyplot as plt

# Based on: https://stackoverflow.com/a/52012658/1510542
# Credits to @zephyrus


def 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 conv


def 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()

有什么想法吗？

【问题讨论】：

标签： python tensorflow

【解决方案1】：

您需要向输入/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，这相当于添加一些尺寸为 1 的“虚拟”轴。
由于默认情况下卷积期望通道排在最后，因此您的占位符应该具有形状 [None, N_data, 1] 并且您的输入被修改为

y_noisy = y + noise
y_noisy = y_noisy[:, :, np.newaxis]

同样，您需要在过滤器中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，过滤器的形状应该是[width, in_channels, out_cannels]。

【讨论】：