如何进行基于物理的学习 计算成像系统(例如,层析成像系统,计算光学系统,磁共振成像)共同设计软件和硬件,以检索传统上无法访问的信息。 通常,这种系统的特征在于如何根据测量值对信息进行编码(正向处理)和解码(逆问题)。 计算成像系统的关键方面(例如实验设计和图像先验)可以通过展开深度网络来优化,这些深度网络是通过展开基于经典模型的重建的迭代而形成的。 这次开源演示的目的是为刚接触物理学习的人们提供一个最低限度的工作示例,以使用它来设计自己的系统。 考虑到快速原型制作,我们提倡两次利用Pytorch中的自动分化功能,一次建立一个基于物理的网络,再一次进行基于物理的学习。 这将使用户仅需为他们的系统实施正向建模过程。 IPython笔记本包含一个基于物理学的学习示例,该示例针对欠定的系统(即压缩传感)执行稀疏恢复。 我们通过展开近端梯度下降算法的迭代来构建基于物理的网络,并执行基于物理的学习