训练具有复值权重的神经网络（初始化复值权重实值输入）答案

【问题标题】：Training a neural network with complex valued weights (initialized complex valued weights real valued inputs)训练具有复值权重的神经网络（初始化复值权重实值输入）
【发布时间】：2016-04-30 14:15:08
【问题描述】：

正如问题所述。我的目标是训练一个权重是复数的神经网络。使用默认的 scikit learn netwokrs 并在此基础上构建（编辑源代码），我遇到的主要问题是 scikit learn 中使用的从 scipy 获取的优化函数仅支持输入为实数的函数的数值优化。

Scikit learn 对于神经网络来说相当糟糕，特别是如果你想分叉和编辑结构，这似乎是相当不灵活的。

正如我在此处的一篇论文中注意到并阅读的那样，我需要更改诸如错误函数之类的内容，以确保在顶层错误仍然存在于实数域中，否则问题会变得不明确。

我的问题是，是否有任何标准库可以做到这一点？或任何简单的调整，我可以做千层面或张量流来挽救我的生命？

附：：很抱歉没有发布任何工作代码。格式化为 stackoverflow 标准是一个困难的问题，我承认它可能超出主题，在这种情况下，如果出现这种情况，我深表歉意。

【问题讨论】：

你在 SciPy 中使用什么 NN，顺便说一句？
scipy.optimize.fmin_l_bfgs_b
所有受约束的优化器为优化变量转换为实数：/
好的，谢谢。
复数与二维特征的不同之处。您认为将实部和虚部作为单独的神经元提供有何不同？

标签： machine-learning scipy neural-network mathematical-optimization

【解决方案1】：

Tensorflow 支持基本的复数。

如果非要自己搭建神经网络节点，可以看一下这个blog。

对于全纯函数，复杂的BP相当简单。

对于非全纯函数，需要小心处理。

【讨论】：

【解决方案2】：

最简单的方法是将特征分为实部和虚部。我已经对跳跃运动的矢量输入进行了类似的工作，如果将矢量划分为它们的分量轴，它会显着简化事情。

【讨论】：