《深入浅出图神经网络--GNN原理解析》一些概念【待整理完】

1. 傅里叶变换 ：

傅里叶变换是将时域中的数据转换到频域中的一种方法。

傅里叶变换 可以将任意一个函数 分解为一系列不同频率的 正弦波(三角函数)的叠加

傅里叶变化的意义：可以直观的理解为：由于傅里叶变换可以将函数分解为多个正弦波，每种正弦波代表着一种维度，那么假设f(x)可以分解为3种正弦波分别以a1, a2, a3 三种频率叠加，那么，此时，我们就可以将 这三种频率 视为 观察这个函数f(x)的三种维度，三种视角。在这三种视角里，f(x)呈现的情况就对应着三个正弦波的频率值a1, a2, a3。

因此，有人也 这样比喻傅里叶变换：“如果将图像比作一到做好的菜，那么，傅里叶变换可以找出这道菜的具体配料及各种配料的用量，不管这道菜的具体制作过程如何，它都可以分辨出来。” 对应一下，那么，配料就是各种正弦波，用量就是各个正弦波对应的频率。

2. 卷积：

2.1 卷积计算：

以图像识别为例：首先，现将图像和卷积核都通过傅里叶变换转换到频域空间中。此时，卷积核作为一种滤波器，对同样变换到频域中的图像进行滤波操作：当卷积核对应的是一个低通滤波器时，在处理图片时，卷积操作就会过滤掉一些较高的频率。将这个经过低通滤波器过滤的频域图像变换会像素空间，就会发现一些内容丢失了(那些对应在频域上，变化剧烈的内容 消失了)

【一般来说：高频信号的区域对应图片上剧烈变化的区域，一般是图像的边缘、细节等】

2.2 高通滤波器 ：

 

2.3 低通滤波器：

至于高通滤波器、低通滤波器等更详细的解释：卷积滤波器与边缘检测 - 腾讯云开发者社区-腾讯云

2.4 卷积核参数的设置：

对于图像检测，边缘提取等，一般使用约定俗成的有着良好实践效果的固定值卷积核；BUT，对于深度学习等领域，卷积核则不是一个固定值，是要根据输入的数据通过前向反向的传播学习来习得的的参数 

2.5 卷积层&全连接层 的意义：

卷积层的意义：主要用于从输入中提取到丰富的特征

全连接层的意义：将卷积层得到的特征摊平，丢弃了特征图的空间信息。

主要目的是聚合全局信息并将其映射到输出空间。

【ps】啥是特征图(feature map)：图像(或者数据矩阵)经过卷积计算后得到的输出，called “特征图”

3. Dropout机制

Dropout机制是用来防止过拟合。

Dropout机制的实现方式为：在训练时，随机得将 特征图的部分为置0（相当于丢失部分信息，强迫模型基于剩下的特征进行正确的推断，已学习到更加具有鲁棒和具有判别性的特征）

这只是前3章我觉得与意义的内容和一些补充，

之后会对应这个视频：沈华伟老师的视频 补充完整