相较机器学习，大名鼎鼎的傅里叶变换，为何没有一统函数逼近器？

，它们必须在合理的上下文当中采用。请记住，序不动点承诺被后撤的算子是平滑的，当遵守这一点时，你仍然可以赢取不动点，但低速极快。

人工神经网络是一种工具，傅里叶二项式是一种工具，彻比雪夫系列也是一种工具。当它们以适用其分析方法特性的型式采用时，你可以减少性能。

补充一点关于迈耶自然现象。如果论点一个算子是平滑的，那么每个点都可能会影响外延当中的其他任何地方。你可以通过查看艾伦二项式的不动点性来考虑这一点，随着赢取更为多的formula_合理，展开式更为吻合原始算子。当论点无限多的formula_时，每条反馈的影响其实是1]的。当你有一个不连续性时，这不如此一来是合理的，所以迈耶自然现象是一种在这个论点被打破的点附近引入的畸变。这是一个极为高级的描述，但你可以将其引入荧光，因为它是最小值界定需要做到平滑论点的地方。

傅里叶线性精彩处理音频瞬时，但随之而来克罗反馈效率极差

天涯社区 @hillac 认为，傅里叶线性被认为是具有集合氘的线性人工神经网络（CNN）。经过反馈先为锻炼的傅里叶线性可以借助很好地后撤。当你辨别投影上锻炼的 CNN 的倾斜内氘时，它们可能会让人形象化到傅里叶线性当中发现的不尽相同频率的一连串算子。对于大多数不宜用来说，傅里叶线性的低速比 CNN 更快，所以，如果反馈易于处理，则可以采用傅里叶线性。

人工神经网络可以被锻炼使用格外好地后撤任意反馈，因为它不可能会像傅里叶线性那样对反馈携带的反馈做到相同论点。因此，虽然傅里叶线性可以精彩地将音频瞬时分解为反馈高度密集的说明，但如果尝试将它使用文本反馈，则视觉效果可能会很差。

另一位天涯社区 @wavefield 说明，傅里叶线性不展开式。它是反馈到傅里叶外延的转换，仍然涵盖原始瞬时当中的所有反馈，这也是为何能够当此量化的因素。不宜该注意到，某些人工神经网络运算格外容易在傅里叶外延当中学习。

这一观点赢取了一致。我们可以通过见到使用说明的频率子集来将傅里叶线性转换为展开式。如果采用损失算子（L1）的话，这可以高效地完成。

还有天涯社区 @visualard 总结了傅里叶线性与 CNN 的其他相近性。

傅里叶分析是在1]瞬时上量化的，而 CNN 的一个特点是它们可以侦测大面积模式。有时将整个瞬时分解为多个大多，然后如此一来对瞬时当中的1]「thing」做到决策可能会格外有意义。

有人即使如此反驳，傅里叶线性对克罗反馈效率极为极差。回应，采用随机傅里叶相近性是一种解决方案，它像是仅锻炼最后一层的随机单隐藏层人工神经网络。

对于傅里叶线性和人工神经网络作为算子后撤内置的异同与优劣，各位听众可在留言区说明了自己的观点。

。