返回信息流最近看深度学习论文遇到一个问题，文章中有说用2维FFT对input和filter进行傅里叶变化，利用卷积定理，F(input)乘以F(filter)相当于input卷积filter。
感觉说的很有道理，但是filter和input矩阵的大小并不一定相同，傅里叶变化后的矩阵应该怎么乘呢？还是说对input和filter进行傅里叶前得对矩阵大小进行变换？没有找到具体实现过程，不是很理解应该如何实现。
希望能帮忙指点一下[ema26]
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #18092同步于 2016/1/6
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
[问题]卷积网络如何用FFT来加速运算
oppop
2016/1/6镜像同步6 回复
订阅后，新回复会通过你的通知中心匿名送达。
6 条回复
【 在 soeaver 的大作中提到: 】
: 不知道啊不知道，没有深入研究过这个问题，计算只用过im2col
我也是看论文对卷积网络优化，好多提到了FFT的优化，就是不太懂图像的二维傅里叶变化。[ema16]
看过的一篇博客介绍过原理，好像是卷积核补0方法。不过也论证过了因为离散的傅立叶变换是周期的，变换结果之间相乘反应在时域上会多出信息，比如在原图四个角上的卷积会引入图像周期位置的信息，和直接卷积还是不太一样。
发自「贵邮」
【 在 pklfz 的大作中提到: 】
: 看过的一篇博客介绍过原理，好像是卷积核补0方法。不过也论证过了因为离散的傅立叶变换是周期的，变换结果之间相乘反应在时域上会多出信息，比如在原图四个角上的卷积会引入图像周期位置的信息，和直接卷积还是不太一样。
: 发自「贵邮」
多谢了啊，后来看了楼下的数字图像处理，还真是图像N*N和卷积核W*W补零做的周期扩展T>=N+M-1,然后FFT，点乘。