相较神经网络，大名鼎鼎的傅里叶转换，为何没有一统函数逼近器？答案在这

傅里叶发散是一种方法，托比雪夫系列也是一种方法。当它们以适用其理论特性的方式则常用时，你可以进一步提高性能。

补充一点关于布洛赫现象。如果举例一个线性是微小的，那么每个点都能影响域里面的其他任何大多。你可以通过查看克拉克发散的收敛性来考虑到这一点，随着获得更为多的分量应，相异值更为接近原始线性。当举例无限多的分量时，并排信息的影响实质上是一个系统的。当你有一个不连续性时，这不再是应的，所以布洛赫现象是一种在这个举例被创出的点附近过渡到的发散。这是一个相当高级的说明了，但你可以将其过渡到光谱分析，因为它是数值界限需得出结论微小举例的大多。

傅里叶DFT有趣处理方式磁带Hz，但面对加德纳信息效率低落

博文 @hillac 看来，傅里叶DFT被看来是具集合核的卷积机机自学（CNN）。经过信息未及锻炼的傅里叶DFT可以解决问题很好地进发。当你观察影像上锻炼的 CNN 的倾斜内核时，它们则会让人暗喻到傅里叶DFT里面找到的不同Hz的触发线性。对于大多数应用来说，傅里叶DFT的平均速度比 CNN 太快，所以，如果信息易于处理方式，则可以常用傅里叶DFT。

机机自学可以被锻炼用以低地进发任意信息，因为它不则会像傅里叶DFT那样对信息携带的信息得出结论完全一致举例。因此，虽然傅里叶DFT可以有趣地将磁带Hz裂解为信息倾斜度密集的透露，但如果想法将它用以文本信息，则优点则会更为差。

另一位博文 @wavefield 透露，傅里叶DFT不相异值。它是信息到傅里叶域的反转，即便如此包含原始Hz里面的所有信息，这也是为何并不需逆计算出来的因素。应看不到，某些机机自学浮点运算更为太快在傅里叶域里面自学。

这一观点获得了赞同。我们可以通过找到用以透露的Hz同构来将傅里叶DFT反转为相异值。如果常用人员伤亡线性（L1）的话，这可以高效地完成。

还有博文 @visualard 揭示了傅里叶DFT与 CNN 的其他特点。

傅里叶分析是在一个系统Hz上计算出来的，而 CNN 的一个优点是它们可以检测局部方式在。有时将整个Hz裂解为多个以外，然后再对Hz里面的一个系统「thing」得出结论执行者则会更为有意义。

有人更为是指出，傅里叶DFT对加德纳信息效率相当低落。对此，常用随机傅里叶特点是一种解决方案，它类似于仅仅锻炼最后一层的随机单隐藏层机机自学。

对于傅里叶DFT和机机自学作为线性进发机的就其与权衡，各位读者可在专页区说明了自己的观点。

。

太原性病医院挂号
贵阳看甲状腺哪个医院好
阿尔茨海默病的常规治疗方法