1 简介
1.1 创新点
提出了神经网络中复数处理的技术应用到卷积前馈神经网络和卷积LSTM网络
提出了复数batch-normalization的算法，用于复数神经网络的复数权重初始化
1.2 复数的优势
复数在伸进网络中有更丰富的表示能力
允许强大的噪声存储机制noise-robust
复数在检索和插入关联存储器方面有优势。
在音乐转录、语音频谱预测、生物学、信号处理方面有复数的应用
1.3 作者贡献
复数batch-normalization的公式
复数权重初始化
不同的基于RelU的复数值激活函数的比较
深度复数技术应用于MusicNet多乐器音乐转录数据集的最新结果
深度复数技术应用于TIMIT数据集的语音频谱预测任务
2 深度复数技术
2.1 复数卷积
计算公式。h=x+iy是要卷积的复数.W = A+iB,W是构造的复数，A、B是实数矩阵
用矩阵形式表示以上公式
将激活函数限制为复数的可微分的和全纯函数，限制了将可能的激活函数应用到复数神经网络中。
2.2 复数激活
针对复数有特殊的激活函数
- ModReLU
z是复数，θz是z的相位，b是一个可学习的实数参数
modReLU设计背后的直觉是保留预激活相位θz，因为使用激活函数对其进行更改会严重影响复数值表示。 modReLU不满足Cauchy-Riemann方程，因此不是全纯的.在表6.4中显示测试结果
- CReLU
就是分别对实部和虚部进行ReLU激活
当实部和虚部同时处于严格正值或严格负值时，CReLU满足Cauchy-Riemann方程。在表6.4中显示测试结果
- zReLU
z是复数，θz是z的相位。表6.4显示测试结果
2.3 复数Batch-Normalization
第一步：复数的Normalization
不是传统的缩放到0-1范围，作者提出复数的方法如下：
我们选择复数的实部和虚部视为2维向量中的一个，按两个主分量中每个分量的方差平方根来缩放数据。公式如下
x是复数，E(x)是求均方，V是2*2 的协方差矩阵计算公式如下，(x-E(x))表示以0为中心的数据，即方差。
均方差和方差的平方根的倒数相乘以确保x〜具有标准复数分布，均值为0，协方差 1，伪协方差（也称为关系）C = 0。
归一化过程允许将单元的虚部和实部去相关(decorrelate)。 这样的优点是避免了两个组件之间的共同适应，从而降低了过拟合的风险
没有明白V的计算公式中Cov(…)表示什么意思？
第二步：执行Batch-Normalization算法
算法步骤如下
使用两个参数β和γ。 移位参数β是一个复数的参数，具有两个可学习的分量（实数和虚数的均值）。
缩放参数γ是一个2×2正半定矩阵，只有三个自由度，因此只有三个可学习的分量。
矩阵 （ V ） − 12 （V）^{−12} （V）−12沿输入的两个原始主成分将输入方差归一化为1，因此γ沿所需的新主成分按比例缩放输入以实现所需方差。 缩放参数γ由下式给出
将γrr和γii都初始化为1/ 2 \sqrt{2} 2 ，以获得归一化值方差的模数为1。R{β} 和 I{β}被初始化为0（这里的R{β}和I{β}对应作者给出的V公式中的两个看不懂的符号，只是换了把x换成了β）。综上，Batch-Normalization的公式如下
注意：
在训练和测试过程中，作者使用具有动量的移动平均值来维持对复数的Batch-Normalization统计数据的估计。 Vri和β的移动平均值被初始化为0。Vrr和Vii的移动平均值被初始化为1/ 2 \sqrt{2} 2 。 移动平均值的动量设置为0.9。
2.4 复数的权重初始化
复数权重表示
θ和|W|分别是W的自变量（相位）和幅度。
权重的方差计算公式
（剩下的内容太复杂，看不明白）
2.5 复数的卷积残差网络
包括三个步骤，最后一个步骤特征图将进行2倍的下采样，卷积核的数量也将增加一倍。 卷积核的大小始终设置为3 x3。在一个阶段中，有几个残差块，每个残块包含2个卷积层.
由于作者使用的所有数据集均具有实值输入，因此我们提供了一种学习其虚部的方法，以使网络的其余部分在复数平面中运行。 通过执行单个实值残差块中存在的运算来学习输入的初始虚部
（太复杂，看不明白）
3 疑问和反思
（1）2.3中没有明白V的计算公式中Cov(…)表示什么意思？
（2）2.4的复数权重初始化太复杂看不明白
（3）2.5的复数的卷积残差网络和介绍复数模块有什么关系，没有看明白理论太复杂，也不知道作者去介绍这个部分的目的。
