# 傅里叶变换、FFT 与模型应用

[[MCS/day11/00 学习指南|day11 学习指南]] · [[MCS/00 MCS学习总览|十一天总览]] · [[MCS/day11/阅读核验与疑问|阅读核验与疑问]] · 上一篇：[[MCS/day11/05 椭圆曲线与后量子密码课堂记录|椭圆曲线与后量子密码课堂记录]] · 下一篇：[[MCS/day11/07 大数定律、中心极限定理与赌场问题|大数定律、中心极限定理与赌场问题]]

> 来源：[[MCS/day11概率统计与大数定律|day11概率统计与大数定律]]。用途：选学。原有推导、追问与解答保留；阅读时请结合本日核验说明。

傅里叶变换与信号处理。
$\hat{f}(\omega) = \int_{-\infty}^{\infty} f(t) e^{-2\pi i \omega t} dt$

DFT:
离散傅里叶变化
快速傅里叶变换 FFT
$\begin{gathered}X_{k}=\sum_{n=0}^{N-1}x_{n}e^{-2\pi ikn/N}\\O(N^2)\quad\Rightarrow\quad O(N\log N)\end{gathered}$

微积分 复数（欧拉公式）算法（分治）
时域变换到了频域本质把信号分解成不同频率的复指数函数的叠加

在 AI 领域，傅立叶变换的核心用途可以整理成下面这条线：

**1. 直接用途：卷积加速与频域注意力**

- **卷积加速**：卷积在时域/空域计算量大，转到频域后变成逐点相乘，算完再逆变换回来，能大幅降低计算复杂度。这是经典 CNN 加速、大卷积核优化里的常见思路。
    
- **频域注意力机制**：注意力本质上也涉及全局交互，计算量随序列长度平方增长。放到频域里做，可以用更低的复杂度捕捉全局依赖，比如 FNO（傅立叶神经算子）、GFNet 这类模型，都是用傅立叶变换来近似全局卷积或注意力。
    

**2. 扩散模型里的用途：噪声调度**

- 扩散模型的前向加噪、反向去噪，本质上是在不同频率上逐步破坏和恢复信息。噪声调度如果从频域看，就是在控制不同频段被扰动的先后和强度。傅立叶视角能帮助理解：为什么低频结构先保留、高频细节先被噪声淹没，以及如何设计更合理的 schedule。
    

**3. 更本质的一层：分解与逼近**

- 从微积分 → 泰勒展开 → 傅立叶变换，这条线背后的共同思想就是：**把复杂对象分解成简单基函数的组合，再用有限项去逼近它。**
    
    - 泰勒：用多项式局部逼近函数；
        
    - 傅立叶：用正弦/余弦波全局分解信号；
        
    - 在 AI 里：就是把高维、复杂的函数或数据，拆成一组可计算、可学习的基，然后用少量项去近似目标。
        
- 所以傅立叶变换在 AI 里的重要性，不只是“一个工具”，而是**分解与逼近思想**在频域的具体实现。没有它，很多全局建模、卷积加速、扩散调度的问题都会少一条极其高效的解决路径。
    

一句话总结：  
**傅立叶变换在 AI 里，既是卷积加速和频域注意力的计算工具，也是扩散模型噪声调度的分析视角，而它背后真正的本质，是“分解与逼近”这一贯穿数学与 AI 的核心思想。**






Qwen 模型的端到端的路径
Embedding 
Decoder Layers

Transformer BLock 
...N 个
 
LLMhead

Sampler 
Next token