关于卷积的思考

经常看人工智能相关书籍介绍卷积。

上来给如下面一行公式

然后在给出下面一段代码

怎么看怎么不觉得这段代码和上面的公式有任何联系。

实际上公式一般给出的是时域上的卷积，代码给出的是频域上的乘积。作者可能连这层意思还没搞懂。

时域与频域经过傅里叶变换可以相互转换，所以二者本质上是一个东西，而处理的数据不很相同。对于深度学习计算说，不管是图像、文本、还是音频，我们容易拿到的是他们的离散数据信息，而其本质上属于频域数据（非连续）因此，在做卷积时对应的也是频域乘积操作。

这个过程本质上是对数据进行采样

而卷积核g实际上相当于一个采样器。考虑频域采样，就是拿着核函数按照一维、二维等等坐标轴从做到右，从上到下采集数据，如何采集呢，就让g和f被g覆盖到的点做内积

g如果是1*1就是无损采样

如果是卷积核g是 a*b,而原频域函数f是m*n，

则最后出来的采样结果h的大小是

（m-a+1, n-b+1)

前提是采样步进是1，同时没有padding，（这个建议初学者自己在纸上画画比较一下就明白了）