【原创】复数神经网络的反向传播算法，及pytorch实现方法

复函数的可导性

复变函数按照是否可导，分为全纯函数holomothic和nonholomophic，判断条件为Cauchy-Riemann方程。

对于不可导的nonholomophic函数：

Wirtinger算子

采用Wirtinger算子来计算反向传播。

Wirtinger算子的思路是，将任何复变函数f，看做f(z,z*)，求导数就是对z和共轭z*分别求导：
                    
其中：

z=x + jy。

而全纯函数f(z)，当且仅当df/dz*=0。

参考1，2，3

Pytorch实现

损失函数梯度

损失函数J的梯度为：

且由于J为实数，因此：

综上，算法流程如下：

1) 全纯函数y=f(w):
        由于dy/dw*=0，由推导可知，梯度与实数域结果一样，无需额外实现
2)非全纯函数y=f(w,w*):
        a, 求得g1 = dy/dw，g2 = dy/dw*。
        b, 拿到上层backward回来的梯度，也就是grad_output
        c, 求得本节点的梯度 += grad_output.g1* + grad_output*.g2

具体实现

pytorch自动求导机制可以通过继承torch.autograd.Function来扩展求导算法。由上可知，只需要扩展非全纯函数即可。

复数的矩阵表示形式为z[..., 2]，最后维度的2个值分别是实部和虚部。

例如函数 y=z.z*的实现如下：