PyTorch Conv1d与Scipy卷积差异及信号反卷积技术问询

1. 随机猜测Strue的长度设定 #

根据卷积的长度映射关系，结合观测信号Sobs（长度149）与核（长度120）的生成逻辑，需对应正问题的卷积模式来确定：

• 若Sobs是valid模式卷积的结果：输出长度 = 输入长度 - 核长度 + 1 → 149 = N - 120 + 1 → Strue长度N=268
• 若Sobs是same模式卷积的结果：输出长度与输入长度一致 → Strue长度为149
• 若Sobs是full模式卷积的结果：输出长度 = 输入长度 + 核长度 -1 → 149 = N +120 -1 → N=30

结合你后续提到的“full模式卷积结果过长”的问题，实际场景中Sobs更可能是valid或same模式的产物，最合理的初始猜测是：如果是valid模式生成的Sobs，Strue长度设为268；如果是same模式，设为149。

2. Strue与Sobs长度相同时，full模式卷积结果过长的处理 #

若强制Strue与Sobs长度相同（149），full模式卷积得到268长度的结果，要匹配Sobs的149长度，可按两种方式处理：

• 裁剪结果：从full模式的268长度结果中截取中间149个点，等价于Scipy卷积的mode='same'效果
• 切换卷积模式：直接使用valid或same模式卷积，而非full模式。如果正问题中Sobs是same模式生成的，用same模式卷积即可直接匹配长度；如果是valid模式，那Strue的合理长度本就该是268，而非149。

3. PyTorch实现时minibatch的设定 #

PyTorch的torch.nn.functional.conv1d输入格式为(batch_size, in_channels, signal_length)：

• 你的Strue是单通道1D信号，in_channels固定为1
• minibatch（batch_size）应设为1，因为你每次处理的是一组独立的Strue猜测（对应一个样本）。若设为149，会被识别为149个长度为1的独立样本，不符合需求。

示例输入格式：Strue需调整为(1, 1, size)，其中size是你设定的Strue长度（如268或149）。

4. PyTorch conv1d匹配Scipy full模式的padding调整 #

Scipy的full模式卷积，等价于对输入信号两侧填充核长度-1个0后，执行PyTorch的valid模式互相关（需先翻转核，因为PyTorch conv1d本质是互相关，Scipy是卷积）：

import torch.nn.functional as F

kernel_len = 120
# 假设Strue形状为(1, 1, N)
padded_strue = F.pad(Strue, (kernel_len-1, kernel_len-1), mode='constant', value=0)
# 翻转核以匹配Scipy的卷积逻辑
flipped_kernel = torch.flip(kernel, dims=[2])
# 执行valid模式互相关，得到full模式卷积结果
full_conv_result = F.conv1d(padded_strue, flipped_kernel, padding=0)

此时full_conv_result的长度为N + 120 -1，与Scipymode='full'的结果完全一致。

内容的提问来源于stack exchange，提问作者SpoonBB