2022年春浙江工业大学算法设计与分析习题分享——FFT以及CNN加速

零.写在前面  

        上学期在《复变函数与积分变化》中接触到了傅里叶变换，当时仅仅是会进行一些运算，对于其背后的意义和实际的用处一无所知。这个学期在《自动控制原理》中使用拉式变换将时域上的问题转化到频域上，使用伯德图和奈奎斯特图进行频率分析；在《数字图像处理》的频率域图像滤波中使用离散傅里叶变换进行低通滤波、高通滤波等；在《算法设计与分析》的分治算法中提到了FFT，这也是本文的起因。

---

目录

一.背景介绍：从傅里叶变换到离散傅里叶变换 

二.从分治角度看FFT：

三.从傅里叶变换的角度看FFT： 

四.FFT对于CNN的加速：

五.WinoGrad加速CNN：

---

一.背景介绍：从傅里叶变换到离散傅里叶变换 

        一般的傅里叶变换对于采集、存储离散值的计算机而言并不好处理，一般要将其做一些离散化的变换。

        首先，在时间(t域)上离散地采样，对应的傅里叶变换(FT)也变为离散时间傅里叶变换(DTFT)

        然后，对于得到的DTFT在频率(w域)上离散地采样，得到DFT。其形式如下：

其中W项为 以此将在x域上的在一个周期()内离散化到n域上(n=0~N-1)。

至此将傅里叶变换(FT)最终转化为离散傅里叶变换(DFT)

二.从分治角度看FFT：

函数的点值法表示： 

        在背景介绍中曾提到计算机中习惯以离散值存储。对于多项式函数一般采用点值表示法来替代系数表示法，对于一个n-1次多项式可以通过n个不同点唯一表示。

        其优势不仅体现在存储上，在计算方面点值表示法也有其优势。对于函数间相乘系数表示法需要O(n^2)而点值表示仅需要O(n)。

        听起来非常好，那么对于系数表示多项式我们的目标就是将其化为点值表示。由此引出了问题——如何转化？