卷积神经网络的底层是傅里叶变换，傅里叶变换的底层是希尔伯特空间坐标变换

前10分钟就已经受益匪浅，10：12是小结。卷积基础就是让一个像素点的数据可以提现更大范围的特征。

13：53讲怎样做到卷积（目的就是把像素点和周围其他像素点的关系浓缩到一点上）其中这种“浓缩”对应关系，就类似傅立叶变换的特征！（15：15）

对移动后的图形进行傅立叶变换的直观案例17：00--发现傅立叶变换是对图片所在的全局进行一个特征提取，不够聚焦图片所在的局部区域，所以改进傅立叶变换范围。

改进傅立叶变换提取特征的范围，需要升纬。首先理解高纬度是什么样的19：35。发现无穷纬度中一个点，就是二维里一条线（一个函数）。反过来想，任何1234纬图像（时域中的），都可以降到无穷维中的一个点。balabala

30：02，对各种变换的总结，在希尔伯格空间选择了一组不同的基，对原来的函数进行变换。变换的特性/变换后能用作什么，关键看你选的变换的基（有什么特点）

总体知识介绍完毕，回归正题。我们有要找的变化目标，30：30，找满足要求的变换。能找到--Gabor变换

31：55，Garbor在卷积中的应用解释。卷积核里数值，是卷积神经网络自己学习到的。

在我看来，所有想改进的目的是最关键的，数学是实现你目的的工具