Press "Enter" to skip to content

你还弄不懂的傅里叶变换,神经网络只用了30多行代码就学会了

明敏 发自 凹非寺

 

量子位 报道 | 公众号 QbitAI

 

在我们的生活中,大到天体观测、小到MP3播放器上的频谱,没有傅里叶变换都无法实现。

 

通俗来讲, 离散傅里叶变换(DFT) 就是把一串复杂波形中分成不同频率成分。

 

比如声音,如果用声波记录仪显示声音的话,其实生活中绝大部分声音都是非常复杂、甚至杂乱无章的。

 

而通过傅里叶变换,就能把这些杂乱的声波转化为正弦波,也就是我们平常看到的音乐频谱图的样子。

 

 

不过在实际计算中,这个过程其实非常复杂。

 

如果把声波视作一个连续函数,它可以唯一表示为一堆三角函数相叠加。不过在叠加过程中,每个三角函数的加权系数不同,有的要加高一些、有的要压低一些,有的甚至不加。

 

傅里叶变换要找到这些三角函数以及它们各自的权重。

 

 

这不就巧了,这种找啊找的过程,像极了 神经网络 。

 

神经网络的本质其实就是逼近一个函数。

 

那岂不是可以用训练神经网络的方式来搞定傅里叶变换?

 

这还真的可行,并且最近有人在网上发布了自己训练的过程和结果。

 

DFT=神经网络

 

该怎幺训练神经网络呢?这位网友给出的思路是这样的:

 

首先要把离散傅里叶变换(DFT) 看作是一个人工神经网络 ,这是一个单层网络,没有bias、没有激活函数,并且对于权重有特定的值。它输出节点的数量等于傅里叶变换计算后频率的数量。

 

具体方法如下:

 

这是一个DFT:

 

 

k表示每N个样本的循环次数;

 

N表示信号的长度;

 

表示信号在样本n处的值。

 

一个信号可以表示为所有正弦信号的和。

 

yk是一个复值,它给出了信号x中频率为k的正弦信号的信息;从yk我们可以计算正弦的振幅和相位。

 

换成矩阵式,它就变成了这样:

 

 

这里给出了特定值k的傅里叶值。

 

不过通常情况下,我们要计算全频谱,即k从[0,1,…N-1]的值,这可以用一个矩阵来表示(k按列递增,n按行递增):

 

 

简化后得到:

 

 

看到这里应该还很熟悉,因为它是一个没有bias和激活函数的神经网络层。

 

指数矩阵包含权值,可以称之为 复合傅里叶权值 (Complex Fourier weights),通常情况下我们并不知道神经网络的权重,不过在这里可以。

 

不用复数

 

通常我们也不会在神经网络中使用复数,为了适应这种情况,就需要把矩阵的大小翻倍,使其左边部分包含实数,右边部分包含虚数。

 

 

 

 

带入DFT,可以得到:

 

 

然后用实部(cos形式)来表示矩阵的左半部分,用虚部(sin形式)来表示矩阵的右半部分:

 

 

简化后可以得到:

 

 

 

 

称为傅里叶权重;

 

需要注意的是,y^和y实际上包含相同的信息,但是y^

 

不使用复数,所以它的长度是y的两倍。

 

换句话说,我们可以用

 

 

 

 

表示振幅和相位,但是我们通常会使用

 

 

现在,就可以将傅里叶层加到网络中了。

 

用傅里叶权重计算傅里叶变换

 

现在就可以用神经网络来实现

 

 

,并用快速傅里叶变换(FFT)检查它是否正确。

 

import matplotlib.pyplot as plt

 

y_real = y[:, :signal_length]

 

y_imag = y[:, signal_length:]

 

tvals = np.arange(signal_length).reshape([-1, 1])

 

freqs = np.arange(signal_length).reshape([1, -1])

 

arg_vals = 2 * np.pi * tvals * freqs / signal_length

 

sinusoids = (y_real * np.cos(arg_vals) – y_imag * np.sin(arg_vals)) / signal_length

 

reconstructed_signal = np.sum(sinusoids, axis=1)print(‘rmse:’, np.sqrt(np.mean((x – reconstructed_signal)**2)))plt.subplot(2, 1, 1)plt.plot(x[0,:])plt.title(‘Original signal’)

 

plt.subplot(2, 1, 2)

 

plt.plot(reconstructed_signal)

 

plt.title(‘Signal reconstructed from sinusoids after DFT’)

 

plt.tight_layout()

 

plt.show()

 

rmse: 2.3243522568191728e-15

 

得到的这个微小误差值可以证明,计算的结果是我们想要的。

 

另一种方法是 重构信号 :

 

import matplotlib.pyplot as plt

 

y_real = y[:, :signal_length]

 

y_imag = y[:, signal_length:]

 

tvals = np.arange(signal_length).reshape([-1, 1])

 

freqs = np.arange(signal_length).reshape([1, -1])

 

arg_vals = 2 * np.pi * tvals * freqs / signal_length

 

sinusoids = (y_real * np.cos(arg_vals) – y_imag * np.sin(arg_vals)) / signal_length

 

reconstructed_signal = np.sum(sinusoids, axis=1)print(‘rmse:’, np.sqrt(np.mean((x – reconstructed_signal)**2)))plt.subplot(2, 1, 1)plt.plot(x[0,:])plt.title(‘Original signal’)

 

plt.subplot(2, 1, 2)

 

plt.plot(reconstructed_signal)

 

plt.title(‘Signal reconstructed from sinusoids after DFT’)

 

plt.tight_layout()

 

plt.show()

 

rmse: 2.3243522568191728e-15

 

 

最后可以看到,DFT后从正弦信号重建的信号和原始信号能够很好地重合。

 

通过梯度下降学习傅里叶变换

 

现在就到了让神经网络真正来学习的部分,这一步就不需要像之前那样预先计算权重值了。

 

首先,要用FFT来训练神经网络学习离散傅里叶变换:

 

import tensorflow as tfsignal_length = 32# Initialise weight vector to train:W_learned = tf.Variable(np.random.random([signal_length, 2 * signal_length]) – 0.5)# Expected weights, for comparison:W_expected = create_fourier_weights(signal_length)losses = []rmses = []for i in range(1000): # Generate a random signal each iteration:

 

x = np.random.random([1, signal_length]) – 0.5

 

# Compute the expected result using the FFT:

 

fft = np.fft.fft(x)

 

y_true = np.hstack([fft.real, fft.imag])

 

with tf.GradientTape() as tape:

 

y_pred = tf.matmul(x, W_learned)

 

loss = tf.reduce_sum(tf.square(y_pred – y_true))

 

# Train weights, via gradient descent:

 

W_gradient = tape.gradient(loss, W_learned)

 

W_learned = tf.Variable(W_learned – 0.1 * W_gradient)

 

losses.append(loss)

 

rmses.append(np.sqrt(np.mean((W_learned – W_expected)**2)))

 

Final loss value 1.6738563548424711e-09Final weights’ rmse value 3.1525832404710523e-06

 

 

 

得出结果如上,这证实了神经网络确实能够学习离散傅里叶变换。

 

训练网络学习DFT

 

除了用快速傅里叶变化的方法,还可以通过网络来 重建输入信号 来学习DFT。(类似于autoencoders自编码器)。

 

自编码器(autoencoder, AE)是一类在半监督学习和非监督学习中使用的人工神经网络(Artificial Neural Networks, ANNs),其功能是通过将输入信息作为学习目标,对输入信息进行表征学习(representation learning)。

 

W_learned = tf.Variable(np.random.random([signal_length, 2 * signal_length]) – 0.5)tvals = np.arange(signal_length).reshape([-1, 1])freqs = np.arange(signal_length).reshape([1, -1])arg_vals = 2 * np.pi * tvals * freqs / signal_lengthcos_vals = tf.cos(arg_vals) / signal_lengthsin_vals = tf.sin(arg_vals) / signal_lengthlosses = []rmses = []for i in range(10000):

 

x = np.random.random([1, signal_length]) – 0.5

 

with tf.GradientTape() as tape:

 

y_pred = tf.matmul(x, W_learned)

 

y_real = y_pred[:, 0:signal_length]

 

y_imag = y_pred[:, signal_length:]

 

sinusoids = y_real * cos_vals – y_imag * sin_vals

 

reconstructed_signal = tf.reduce_sum(sinusoids, axis=1)

 

loss = tf.reduce_sum(tf.square(x – reconstructed_signal))

 

W_gradient = tape.gradient(loss, W_learned)

 

W_learned = tf.Variable(W_learned – 0.5 * W_gradient)

 

losses.append(loss)

 

rmses.append(np.sqrt(np.mean((W_learned – W_expected)**2)))

 

Final loss value 4.161919455121241e-22Final weights’ rmse value 0.20243339269590094

 

 

 

 

作者用这一模型进行了很多测试,最后得到的权重不像上面的例子中那样接近傅里叶权值,但是可以看到重建的 信号 是一致的。

 

换成输入振幅和相位试试看呢。

 

W_learned = tf.Variable(np.random.random([signal_length, 2 * signal_length]) – 0.5)losses = []rmses = []for i in range(10000):

 

x = np.random.random([1, signal_length]) – .5

 

with tf.GradientTape() as tape:

 

y_pred = tf.matmul(x, W_learned)

 

y_real = y_pred[:, 0:signal_length]

 

y_imag = y_pred[:, signal_length:]

 

amplitudes = tf.sqrt(y_real**2 + y_imag**2) / signal_length

 

phases = tf.atan2(y_imag, y_real)

 

sinusoids = amplitudes * tf.cos(arg_vals + phases)

 

reconstructed_signal = tf.reduce_sum(sinusoids, axis=1)

 

loss = tf.reduce_sum(tf.square(x – reconstructed_signal))

 

W_gradient = tape.gradient(loss, W_learned)

 

W_learned = tf.Variable(W_learned – 0.5 * W_gradient)

 

losses.append(loss)

 

rmses.append(np.sqrt(np.mean((W_learned – W_expected)**2)))

 

Final loss value 2.2379359316633115e-21Final weights’ rmse value 0.2080118219691059

 

 

 

 

可以看到,重建信号再次一致;

 

不过,和此前一样,输入振幅和相位最终得到的权值也不完全等同于傅里叶权值(但 非常接近 )。

 

由此可以得出结论,虽然最后得到的权重还不是最准确的,但是也能够获得局部的 最优解 。

 

这样一来,神经网络就学会了傅里叶变换!

 

值得一提的是,这个方法目前还有疑问存在:

 

首先,它并解释计算出的权值和真正的傅里叶权值相差多少;

 

而且,也并没有说明将傅里叶层放到模型中能带来哪些益处。

 

原文链接:

 

https://sidsite.com/posts/fourier-nets/

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注