优化版本： tensorflow实现2D小波变化dwt和小波逆变换idwt

由于上上篇博客写了使用tensorflow实现2D小波变化dwt和小波逆变换idwt，但是实现的方法在速度上和资源占用上实在堪忧，特别是在channel比较大的情况下。因此本人对于上次的代码进行了优化。

优化主要表现在两个方面：

1. 去掉原来用于调整尺寸的for循环结构，使用tf.slice等命令代替；
2. 去掉原来的循环卷积结构，使用tensorflow3D卷积代替

分析

上述的两种操作之所以能够节省计算资源，提升速度。原因在于，tensorflow会在反向传播的时候保存下来每一个tensor操作的结果。例如，for循环64个tf.concat，那么tensorflow就会保存64个concat的反向梯度图，分别为tf.concat_1…tf.concat_64(表述可能不严谨)，保存的这些结果都会占用大量的计算资源，而这些对于计算并不是必要的。因此要节省计算资源，就是要使用尽量少的tensor操作来实现功能。tensorflow提供的tf.slice命令就可以完全替代原来循环的tf.concat结构，而反向传播中只占用了原来循环一次的资源。同样的道理循环的卷积也是如此，虽然3D卷积也是消耗资源的，但是，相比之下还是优于循环结构的。
另外：此次的代码和上次还有一个小的区别，调整了卷积核的尺寸，实现DWT的同时加速。原来默认的基为db3，卷积核的尺寸为6，调整后的默认基为haar，卷积核尺寸为2。读者可以根据自己的需要给定基。

代码

# -*- coding: utf-8 -*-
# @Author   : Cmy
# @time     : 2018/12/5 20:37
# @File     : tf_dwt_3d_v2.py
# @Software : PyCharm

import numpy as np
import tensorflow as tf
from PIL import Image
import pywt
import time
import matplotlib.pyplot as plt


# C is channel # just suit for J=1
def tf_dwt(yl,  wave='haar'):
    w = pywt.Wavelet(wave)
    l