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-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

热门回复：

• 果冻云Jellycloud:这个视频讲得真的是非常的好，深入浅出地从傅里叶角度解答了我一直以来对于CNN的疑问[tv_点赞]也想顺便请问一下UP，这种傅里叶角度解释CNN的观点，是已有前人文献支持的还是您自己结合知识领悟的呢？如果有参考文献的话可以分享一下嘛[给心心]？以及，如果是您自己归纳总结的话，不知道是否有发表论文的想法呢？
• Eptsten:我的理解里，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。 p.s. 希尔伯特空间这个理解真的是绝了！[初音未来_nice]
• 配好零极点:up，衣服在哪买的呀
• 小叮当OB:数学不太好，但是感觉还是有很多收获的。 听完后的感觉是，基于傅里叶变换，卷积可以忽略图片的位置信息，这样就可以提取许多有意义的局部特征 例如如果要识别一个，那么耳朵，嘴巴，眼睛这些的局部特征就可以被单独提取出来，而不用考虑这些部位在图片全局中的位置信息 在一步一步的卷积之后，细节的信息逐步给抽象化，或者说越来越能关注到整体，通过这些叠加，慢慢的就能够判断出一个人的特征 并且这个人是可以脱离图片的位置关系的，因为这个时候，神经网络已经能识别出这个人的特征了
• wangkeeminem:很奇怪 上了大学后学的知识很少有这种互相联系和底层上的理解，所以经常有听天书的感觉