深度学习当中的数学
卷积
- 从信号与系统角度出发
https://www.bilibili.com/video/BV1XTyTY4EmJ/?spm_id_from=333.880.my_history.page.click - 从计算机科学角度出发，更加直观
https://www.zhihu.com/question/22298352?utm_id=0 （该问题下马同学的优质回答） - 理解卷积核
https://www.zhihu.com/question/52237725 （该问题下superbrother的优质回答）
注意这里图中的公式，x的下标有问题，要符合图中的实际情形，应该是\(x_{m+i-1, n+j-1}\)，这样的such九宫格和最后映射到的F位置就是一一对应的。
即在数字图像处理当中，进行的是数学中严格定义的卷积；而在神经网络当中的卷积核，实际上进行的是互相关运算。 - 3B1B的视频
离散情况下
连续情况下
在连续情况下，因为$ result(x) = f(x) \times f(s - x) $
只能表示一个点的情况，所以我们需要引入一次积分，把整个路径上的点全部联系起来，这样就得到了我们的输出函数，而这个操作的直观化理解，恰好是曲线所对应的面积。
傅里叶变换
3B1B的科普：
傅里叶变换
