搭建复数神经网络遇到的问题【求交流】
最近在研究显微图像的处理，想用深度神经网络实现。发现网上对复数神经网络的资料真的不多，代码几乎都局限于 deep complex networks 这一篇论文。有很多论文研究复数神经网络的，也都是前向传播、反向传播等理论知识，实践性代码几乎没有。
【我的实验数据】拿到的数据是经过处理的复数数据，尺寸大小为888*2048。
基于keras搭建网络层，至于实数形式的网络框架已经没有问题，并且能达到较好的效果，但是遇到复数域，问题就比较大，看了很多论文，仍无收获，希望能和各位交流讨论。
遇到的问题如下：
1. 阅读了《 deep complex networks 》这篇论文，以及下载了其代码。
-
论文地址：https://arxiv.org/abs/1705.09792
-
代码地址：https://github.com/ChihebTrabelsi/deep_complex_networks
对于论文，翻译了一遍，大致能看懂，就是在运行代码时遇到不少问题，有能成功看懂代码的大佬吗？
2. 我的数据是npy格式的，我把复数comlex128形式的数据存为（batch，channels，x_dim ，y_dim)，我使用原来实数搭建的网络，直接运行，没有报错，只是在计算时出现警告：
/home/zkh/anaconda3/envs/zmm/lib/python3.6/site-packages/numpy/core/numeric.py:531:
ComplexWarning: Casting complex values to real discards the imaginary part
return array(a, dtype, copy=False, order=order)所以出现的结果会直接变成实数的计算。
3. 当我把实数搭建的网络层换成1中所述的代码中的层编码时，出现了另外的问题。
例如：
input_img = Input((1,888,2048))
#x = conv.ComplexConv2D(3, (3, 3),padding='same')(input_img)
x =Convolution2D(3, (3, 3),padding='same')(input_img)
autoencoder = Model(inputs=input_img, outputs=x)
decoded_imgs = autoencoder.predict(x_train)
print(x)
print(decoded_imgs.shape)
运行结果为：Tensor("conv2d_2/BiasAdd:0", shape=(?, 1, 888, 3), dtype=float32)
(1, 1, 888, 3)
而当改为
input_img = Input((1,888,2048))
x = conv.ComplexConv2D(3, (3, 3),padding='same')(input_img)
#x =Convolution2D(3, (3, 3),padding='same')(input_img)
autoencoder = Model(inputs=input_img, outputs=x)
decoded_imgs = autoencoder.predict(x_train)
print(x)
print(decoded_imgs.shape)
运行结果为：Tensor("complex_conv2d_2/BiasAdd:0", shape=(?, 1, 888, 6), dtype=float32)
(1, 1, 888, 6)
对于为什么输入的是3个卷积核，而输出的是6个，表示疑问，还有复数complex128直接变为float32类型也表示疑问。
4. 第一次运行池化层时，直接报错如下：
-----
TypeError Traceback (most recent call last)
in ()
2 x = conv.ComplexConv2D(6, (3, 3),padding='same')(input_img)
3 #x =Convolution2D(3, (3, 3),padding='same')(input_img)
----> 4 x = pool.SpectralPooling2D((2, 2))(x)
5 autoencoder = Model(inputs=input_img, outputs=x)
6 decoded_imgs = autoencoder.predict(x_train)
TypeError: __init__() takes 1 positional argument but 2 were given 后来试验之后，知道了错误的原因，改为了：
x = pool.SpectralPooling2D(gamma=[0.15,0.15])(x)错误是改掉了，但是结果延续上面的，直接以实数的形式出现。
5. 还有个问题是，复数的值差别挺大的，我要想使用自编码形式的话，我的损失函数该使用什么呢？
之前实数的时候loss用的mse，但发现相位很接近的两个数据的复数形式的数据，两者差别很大，所以mse不是很好的选择，所以很疑惑用什么损失函数比较好？
比如：相位数据只差0.4的两个数据，并且人为也知道它们是比较接近的，但是复数差别为
(2.23770128717e+12-644411468251j)，所以这就对损失函数的选择要求比较高。
6. 后面的层还在修改中，并且一直在研究复数域神经网络的搭建，希望有大佬能提供帮助。
有能对我提出的问题解答的吗，或者能提供一点思路，或者对复数神经网络有研究的，或者也在研究这个的？
希望一起探讨。