用torch.nn.functional.conv1d实现matlab中的filter函数与conv函数

1. matlab中filter与conv的用法

1.1 filter函数

%% x:signal sequence h:impulse response
x = [2,0,0,0,1];
h = [1,0,-1,2];

%% filter 
y1 = filter(h,1,x)
% y1 = [2,0,-2,4,1]

filter函数输出结果的长度与输入信号长度一致。

1.2 conv函数

%% conv 
y2 = conv(x,h)
% y2 = [2,0,-2,4,1,0,-1,2]

conv函数输出结果的长度 = x的长度+h的长度-1。

2.torch.nn.functional.conv1d实现上述函数效果

pytorch和tensorflow中的卷积，实质上是相关运算，并不是信号处理中的卷积运算。但是巧妙运用padding，依然可以实现一样的效果。以pytorch中的torch.nn.functional.conv1d函数为例：

2.1 实现conv函数

（1）首先需要将h中的序列颠倒顺序(相关和卷积运算的区别)
（2）然后padding = M-1; M是h的长度

# x:signal sequence h:impulse response
import torch
import torch.nn.functional as F
x = torch.tensor([[[2,0,0,0,1]]])
h = torch.tensor([[[2,-1,0,1]]])
y = F.conv1d(x, h, stride=1, padding=4-1)
print(y)
# tensor([[[ 2,  0, -2,  4,  1,  0, -1,  2]]])

可见，结果与matlab的conv函数结果一致。

2.2 实现filter函数

大部分情况下，我们都希望输出信号长度与输入信号长度一致，即实现filter的效果。
仔细对比filter函数与conv函数的输出结果，就会发现，filter函数只是对conv的结果进行了截断，即取出conv前面N个数据（N是输入信号x的长度）。因此：

# x:signal sequence h:impulse response
import torch
import torch.nn.functional as F
x = torch.tensor([[[2,0,0,0,1]]])
h = torch.tensor([[[2,-1,0,1]]])
y = F.conv1d(x, h, stride=1, padding=4-1)
y = y[:,:,0:5]
print(y)
# tensor([[[ 2,  0, -2,  4,  1]]])

可见，结果与matlab的filter函数结果一致。