卷积神经网络的底层是傅里叶变换
1
卷积神经网络与傅里叶变换、希尔伯特空间坐标变换的关系_卷积神经网络与傅里页变换之间的关系-CSDN博客
从卷积到图像卷积再到卷积神经网络，到底卷了什么？
一维信号卷积：当前时刻之前的每一个时刻是如何对当前时刻产生影响的
图像卷积：卷积核的理解：周围像素点是如何对当前像素点产生影响的，不同的卷积核就是规定了不同影响的关键
请添加图片描述
卷积神经网络：
第一步：识别局部特征，如上图的卷积核，具备提取特征的卷积核，保存某些特征，即对周围像素点的一个主动试探（不同卷积核主动选取）
在这里插入图片描述
总结：
1、对一维卷积来说（以吃饭和消化，求胃里食物剩量问题为例）：是不稳定输入，稳定输出，求系统存量的问题
2、对于图像处理来说，一个卷积核就是规定了周围像素点是如何对当前像素点产生影响的。
3、不同的卷积核就是规定了不同影响的关键，如何筛选图像的特征
卷积神经网络与傅里叶变换
对输入图像8进行特征提取，分为不同的特征，这样就能区别于全连接神经网络，特征可以重复利用
（1）cnn中隐含的傅里叶变换
在这里插入图片描述
cnn的经过学习后的卷积运算过程，就可以理解为傅里叶变换，或者傅里叶级数展开，也即不同正交向量的加权和。卷积核就可以理解维正交向量。
（2）频域里的每一个点都是对全时域范围的特定信息的一个浓缩
在这里插入图片描述
（3）CNN感受野与加窗傅里叶变换的关系
变换域做到了与位置无关，但缺点却是全局感受能力太强了，引起变换域的变化波动过大，通过加窗傅里叶变换，可以约束这种全局感受能力。
而加窗后的傅里叶变换，就跟cnn感受野的设计很一致。这样就很能发现局部特征具有的一致性。
在这里插入图片描述
y-t与Y-w之间的关系：y-t是不同w下的所有y-t，也就是不同w下的正弦波的叠加。
（4）升维变换，来理解空间域和变换域公式
相同问题，在不同维度空间下表示的区别：二维空间的一条线，在无穷维/高维空间中，只需要一个点就行。
v1，v2，vn就是高维空间下的正交基，无穷维空间的一个点，就是这些正交基不同权重下的加权和（这个地方，变换域的绿色曲线和时域黄色曲线的物理意义是不同的，虽然形状相同，但我认为不能互相表示）
升维不是目的，目的是让二维空间的曲线降维（深度学习里面encoder产生latent space的作用）。
在这里插入图片描述
（5）希尔伯特空间（欧几里得空间的扩展）
将低维图像映射到高位空间的一个点，重点不是这个点本身，而是高维空间的点可以用向量进行等价表示。即低位数据可以表示为高维空间的一组向量（正交基的权重集合）。
在这里插入图片描述
从时域到频域，相当于在希尔伯特空间（高维空间）做了一次坐标变化。
dn所代表的正交向量，可以用一个具体的向量e^(iwt)表示，这就是傅里叶变换在希尔伯特空间下选择的特殊坐标系（坐标轴），或称选择的特殊正交基。
在这里插入图片描述
在这里插入图片描述
上述的表示更具一般性。而考虑傅里叶变换选择的正交基e^(iwt)，其正交基的模为
在这里插入图片描述
所以，将无穷小的累加，转换为积分形式
（6）对傅里叶变换的修改
在这里插入图片描述
因为正弦余弦曲线是全局的，以正余弦作为基向量（锚点）去衡量信号，找到的特征，自然是一个全局的特征
那有没有办法对这个基进行修改，让其只考虑局部情况，而不再考虑全局情况？也就是问有窗口范围的基应该如何表示？
简单的方法就是构建一个分段函数g()
在这里插入图片描述
为了维持函数表示处处可微，改写函数g()为
在这里插入图片描述
a为方差，来决定窗口的大小；s为期望，来决定窗口的位置；n保持不变，代表选择的不同模式 / 不同基向量。这里面用高斯分布作g函数的变换，就是Gabor变换
这里不把窗口的大小作为变量，知识一个参数。因为任何一个具体的
在这里插入图片描述
窗口大小，都可以对应的完备的基（n来确定）。
在这里插入图片描述
Gabor变换完整表达，g函数的不同就代表了不同的变换
在这里插入图片描述
g函数为指数函数，则变化为拉普拉斯变换
在这里插入图片描述
如果窗口大小不再固定，也作为一个控制变量，可以根据频率动态变化，这就是小波变换
总结
各种变换的本质，就是在希尔伯特空间下选择了一组基向量，然后对原来的函数进行变换。
具体变换之后有什么特性，能做什么，关键看变换是基于的那组基有什么特点。
回归的最开始的cnn
两个目标：1.特征和位置无关，即位置不同，在变换域中式相同的表示；2.特征应该是局部的。
n代表着变换域下的不同频率，正交基
s代表着在时域上开出的窗口位置，只有把窗口开在相应波形的位置上，才能在变换域有明显的特征（权重）体现。
在这里插入图片描述
Gabor变换与cnn参数的对应关系：
黄色f(t)：对应原始图片
红色f(n,s): 对应feature map，即基向量的权重
绿色s： 对应中心像素点的位置，卷积核的中心
模式（基向量）g_a(t-s)·e^(int)：不同的卷积核，下图模式1到模式4。可由反向传播优化更新得到。
红色a（窗口大小）：卷积核的大小，窗口的大小也是二维的
在这里插入图片描述
与卷积定理之间的关系
在这里插入图片描述
通过多层cnn的叠加，就可以将感受野覆盖到整个图片
https://blog.csdn.net/u014439531/article/details/131904485
卷积神经网络的底层是傅里叶变换，傅里叶变换的底层是希尔伯特空间坐标变换_哔哩哔哩_bilibili
从“卷积”、到“图像卷积操作”、再到“卷积神经网络”，“卷积”意义的3次改变_哔哩哔哩_bilibili
特征（Features）在机器学习和统计建模中，特征是指数据集中用于预测或分析的变量。特征可以是数值型（如年龄、价格、身高等）或分类型（如性别、产品类型、地区等）。
特征是模型用来做出预测或决策的基础。
轴（Axes）在图表或图形中，轴是用于表示数据维度的直线。在二维或三维空间中，轴通常用来表示数据的不同维度或特征。例如：
基上有眼睛，鼻子，脚三个坐标轴，眼睛，鼻子轴上的值很大，而脚的值很小，那机器就可以知道这可能是一张脸。而为什么基上这些轴代表了眼睛等等这样的特征？这是通过训练集和梯度下降学习出来的，人工无法去设定，机器慢慢就从大量训练中发现可以从这些角度去识别图片。
再谈怎么实现局部特征的提取不用考虑空间关系，这实际上可以从做卷积核操作的时候看出来。在用3*3这样的小卷积核而不是整个图片大小的卷积核去卷积的时候，已经就忽略了那些不在卷积核范围的数据了，
3*3的卷积核代表了一个3*3的局部特征，只对3*3这一小块的局部数据进行卷积，
池化层可以看作是滤波？在数字信号处理中，对数值求平均的过程其实就是一个低通FIR滤波器，把高频分量去掉。采集的信号中往往有噪声，大部分情况下噪声都是高频分量。也可以理解为给频域加窗，只保留幅度比较大的低频部分。
人脑是可以通过眼睛鼻子这些局部特征来识别。
卷积操作和傅里叶变换一样，是在希尔伯特空间的一种基变换。通过基变换，就可以将图标的特征表示出来。
基的每个坐标轴会代表一种特征，通过分析坐标轴上的值，也就是特征的权重就可以识别
基、核、坐标系、变换都是同一个东西的不同说法，其实就是编辑映射关系
