etreeasky的个人博客分享 http://blog.sciencenet.cn/u/etreeasky

博文

关于不完备性定理和不确定性原理的探讨(八)(4)

已有 4661 次阅读 2015-1-13 17:22 |系统分类:科研笔记


8.4 卷积是什么鬼


    先用一个网络上搞笑形象的例子简要说说卷积是什么

    有一个七品县令,喜欢用打板子来惩戒那些市井无赖,并且如果没犯大罪,只打一板然后释放回家,以示爱民如子。有一个无赖,想出人头地却没有真本事。怎么办?炒作呗!怎么炒作?找名人呀!他想到了他们县的头号名人——县令。于是无赖光天化日之下,站在县衙门前撒了一泡尿。后果是可想而知,挨了县令一个板子。然后这家伙昂首挺胸回家,身上啥事也没有。第二天如法炮制,第三天又来,第四天……每天去县衙门领一个板子,然后拍拍屁股回家。没多久,这无赖的名气已经和衙门口的臭气一样,传遍八方了!。

    县令大人噤着鼻子,呆呆地盯着案子上的惊堂木,拧着眉头思考一个问题:这么多天打板子怎么不好使捏?……想当初,本老爷金榜题名时,数学可是得了满分,今天好歹要解决这个问题:

    ——人(系统)挨板子(脉冲),会有什么表现(输出)?

    ——费话,疼呗!

    ——我问的是:会有什么表现?

    ——看疼到啥程度。

    像这无赖的体格,每天挨一个板子啥事都不会有,连哼一下都不可能,你也看到他那得意洋洋的嘴脸了(输出0.1);如果一次连揍他十个板子,他可能会皱皱眉头,咬咬牙,硬挺着不哼(输出1);揍到二十个板子,他会疼得脸部扭曲,象猪似地哼哼(输出2);揍到三十个板子,他可能会象驴似地嚎叫,一把鼻涕一把泪地求你饶他一命(输出3);揍到四十个板子,他会大小便失禁,勉强哼出声来(输出4);揍到五十个板子,他连哼一下都不可能(输出5)——死啦!

    县令铺开坐标纸,以打板子的个数作为X轴,以哼哼的程度(输出)为Y轴,绘制了一条曲线:

    ——呜呼呀!这曲线象一座高山,弄不懂弄不懂。为啥那个无赖连挨了三十天大板却不喊绕命呀?

    —— 呵呵,因为你打一次的时间间隔(Δτ=24小时)太长了,所以那个无赖承受的痛苦程度一天一利索,没有叠加,始终是一个常数;如果缩短打板子的时间间隔(建议 Δτ=0.5秒),那他的痛苦程度可就迅速叠加了;等到这无赖挨三十个大板(t=30)时,痛苦程度达到了他能喊叫的极限,会收到最好的惩戒效果,再多打就显示不出您的仁慈了。

    ——还是不太明白,时间间隔小,为什么痛苦程度会叠加呢?

    ——这与人(线性时不变系统)对板子(脉冲、输入、激励)的响应有关。什么是响应?人挨一个板子后,疼痛的感觉会在一天内慢慢消失(衰减),而不可能突然消失。这样一来,只要打板子的时间间隔很小,每一个板子引起的疼痛都来不及完全衰减,都会对最终的痛苦程度有不同的贡献:  


    t个大板子造成的痛苦程度=Σ(第τ个大板子引起的痛苦*衰减系数)

    [衰减系数是(t-τ)的函数]


    数学表达为:y(t)=∫T(τ)H(t-τ) dτ  

   [即:T和H的卷]


    白话说,即板子的疼痛‘与’痛苦衰减的乘积联合作用,决定了整体输出的效果是笑呵呵或是死翘翘。

203042102.gif


   ——拿人的痛苦来说卷积的事,太残忍了。除了人以外,其他事物也符合这条规律吗?

   ——其实天地之间很多事情也遵循此道。好好想一想,铁丝为什么弯曲一次不折,快速弯曲多次却会轻易折掉呢?




203042070.jpg




    上面打板子的例子,对初学者可能还是一头雾水。我们还可以换个角度,来进一步审视卷积的真面目。见下图:



    下面,我们再从两个西格玛级数的乘积来理解“卷的积”:


   

14198630005667160.jpg


    卷积类似上面等式右边的一堆数据乘积,展开后复杂得只有不断的用一堆顿号来省略表达。

    当然,在等式左边是很简单的,只不过是普通简单‘点’乘而已。

    进一步分析,如果从等式左边推导等式右边,不难,按部就班一步步算就行了。

    但如果从等式右边推导到等式左边呢,还有章可循么?比如,一堆大数据给你,你能够从中推导出一个简单的规律吗?

    这就像在迷宫中寻找出路,从出口到入口总是比较简单,但从入口到出口却容易迷失。

    在不知道出口的情况下自入口摸索前行,如果单凭蛮力往往困惑丢失方向而不可达到。


 


    一大堆多元函数相加会得到什么,很难说。‘卷的积’并不讨人喜欢。 痛苦的是,尽管‘卷积’杀脑细胞,但它却是逻辑运算绕不开的坎。



   




   在数字电路中,“门”是实现基本逻辑关系的电路。最基本的逻辑关系是‘与’、‘或’、‘非’,相应的最基本的逻辑门是‘与’门、‘或’门和‘非’门。也就是说,这三种基本逻辑门构成了现代电子计算机的逻辑运算基石。在一阶逻辑中,通过三种基本逻辑门完全能够解决向量空间(线性空间)的逻辑运算。这就是图灵机的基本原理。


   遗憾,一阶逻辑对于特征属性分析是有局限性的,无法解答多重复合特征属性系统的问题。


   我们知道对复杂的系统而言,各个对象之间看作“点”概念时往往不具备简单线性关系。但是如果把“一个点”对象体谱分析扩展为“一群序列”子集合,则此对象体可视作一个“集合”体系,则在微分几何学视角下,具备微分度量的多重线性关系,即多重复合特征属性。所以,一阶逻辑下的非线性关系对象,可以在高阶逻辑中以多重线性关系表达(比如张量)

 如果两个函数彼此之间不具备简单正比关系,却具备微分偏线性关系,则需要面对麻烦的矩阵乘积。这类似逻辑“与”运算中,完成一个任务需要几个步骤, 每个步骤有几种方案,则实现方式是‘乘积’,当方案比较复杂时就意味着矩阵乘积是不可避免的。

   由此,自然会想到,一阶逻辑的局限性,通过张量偏微分度量是否可以完美解决呢?


   一阶逻辑的三种基本逻辑门,‘或’门相当于加法,由向量空间扩展到张量空间时加法依然简单;‘非’门即状态反相,由向量空间扩展到张量空间时反相依然简单。

   难就难在‘与’门,逻辑‘与’门相当于复合乘法,矩阵乘法已然困难重重,何况高阶张量。高阶张量相乘难于上青天,硬算当然无从入手,啃不了这块硬骨头。

   幸运的是,从卷积出发,却是一条明路。






   值得一提的是,‘与’在概率论中即联合概率

   两个变量f(x,y)分布叫做联合概率密度,记为f(x)∩f(y) ,其中f(x)、f(y)系单个变量的概率分布。

    一般而言,x和y可能相互影响,所以 f(x)∩f(y) <> f(x)f(y)


    不过,当且仅当x和y相互独立时,有f(x)∩f(y)=f(x)f(y)

    线性空间中相互独立即线性无关,换句话说,联合概率能否分解成两个单变量的简单乘法,当且仅当两个单变量线性无关时。

    这意味着,不具备简单线性关系的两个函数,如果具备连续谱分析特征属性下的多重线性关系,则在微分度量形式下有:f(x)∩f(y)=f(x)f(y)

    进一步,如果微分形式下有f(x)∩f(y)=f(x)f(y),则其‘整体’(积分后)是什么东东呢?


    帅呆了,这,就是“卷积”!


    以下是推论过程:

5.jpg


   
   显然,卷积就是一阶逻辑司空见惯的逻辑‘与’门的高阶逻辑推广,即联合概率密度任何多重线性系统(符合叠加原理)的多重乘积,都可以视为卷积。


c8ce29fb7daf43d2ae9334639205bde4.jpg


203042150.jpg

 







   所谓“注意力”指的是主观对于客观事物的关注度,是主观作用客观的复合(主观*客观),所以能够借用卷积算子。


   事实上,表达复合作用的‘与’门,是逻辑分析的重要基础,特别是对于隐含复合特征属性的张量演算。但是,‘与’门所涉及的联合乘积运算量巨大,演算非常麻烦。那么,有没有什么好的办法可以简化联合概率密度的运算呢?





    如果以exp(ipr)作为卷积因子,这种特殊卷积会带来奇迹。它能把高阶逻辑多重复合乘积‘与’轻而易举转换为一阶逻辑的简单乘积‘与’, 从而实现从庞大数据到简单规律的升华。



   傅立叶变换理论中有一个著名的“卷积”定理:两个函数的卷积等于其傅立叶变换后的简单乘积。

203042123.jpg

   为什么复杂的卷积能够转换为简洁的乘法运算呢,是因为exp(ipr)是所有线性时不变系统的共同本征函数系,因此exp(ipr)可以在线性系统中随意穿越,从逻辑运算括号中渗析而出,从而变成简单乘法。

114935aqml1j1ark0qkkj0.gif








 

  乍一看,傅立叶变换呈现出有悖常理的奇异性质:时空域的波群越复杂庞巨,则频域的值会越加简洁。为什么会这样呢? 直观理解,这是因为傅立叶谱分析的特征基exp(ipr)有独一无二的绝杀技:不同参数的exp(ipr)两两正交(如同不同频率的波两两正交)。这意味着复杂庞巨的以exp(ipr)为元素的矩阵(或高阶张量),两两叠加后内含的exp(ipr)元素相乘会因为正交性而化为零值,变成简洁易算的稀疏矩阵(sparse matrix)。 所以我们有可能从复杂庞巨的exp(ipr)的高阶张量群集运算中,获知非常简洁的规律。
   
  这种‘波集群’叠加与‘点元素’逻辑轨迹的对应映射,非常吻合人类大脑的神经网络运行模式。众所周知,当人类的被感知触发时,一方面大量神经细胞受激形成各自的脉冲,一方面大脑能自动汇集收敛为‘一心一意’的点轨迹逻辑。神经网络由大量的神经元共同触发的脉冲共同作用,不同频谱叠加混绞,思维过程却能形成一个收敛点轨迹逻辑。复杂的信号群、简单的点轨迹逻辑,快速运算,不仅是大脑特性,亦是卷积的特性。

  换句话说,当各型杂类异常复杂的波混绞一起时,很有可能因为相互正交而呈现独特简洁的单一规律。
  而这,是傅立叶变换的本源、是波粒二象性的本源、也可能是神经网络逻辑的本源。
  一方面,exp(ipr)是万事万物的共同原料;一方面,exp(ipr)能超越时空化繁为简。
  一方面是大道,大到阿列夫2级无穷大
  一方面是至简,简至一个粒子点轨迹


  同时,这也是卷积定理的本源。卷积本身是‘集群’波的多重复合乘积运算,但其傅立叶变换后则为变形为元素‘点’的普通乘积运算。
  请注意,因为积分函数是集群运算,涉及无穷多个微分点的共同运算,所以卷积所蕴含的函数复合乘积是非常复杂的。一般而言硬算积分乘积根本就算不出来。事实上,不仅连续值的积分乘积演算困难,即使离散值的矩阵乘积也常因为海量运算而不得不知难而退。
   幸运的是,通过傅立叶之手,时域复杂的卷积,频域将变换为一年级小学生都可以演算的简单乘积:
  时域:波涛汹涌、惊涛拍岸、万千混沌湮灭;
  频域:朗朗晴空、水平如镜、一轮独舟荡漾 。







 


    exp(ipr)是所有线性时不变系统的共同本征函数系。它能表达万物、广纳百川,无所不至、无所不及。 从微观粒子到广阔宇宙、从量子力学到相对论、从实体物质空间到逻辑概率波、从李代数到李群、从特征向量到群生成元,处处可见它动人舞姿美妙旋律。这家伙拥有完美绝伦的深厚内力,拥有征服世界的非凡神器......

 

   

    卷积定理的诀窍也在于傅里叶变换的exp(ipr)特征基,通过exp(ipr)基把复杂庞大的卷积演算在对偶域变成了简单乘法,把微分的多重线性映射变成了整体的简单线性关系,把高维演算降维化为一维运算,这是卷积神经网络的核心理论基础。

    如果某个空间不是一个完备系统,那么我们是否可以想办法扩充其中的随机变量为不变的概率分布量,凑成线性时不变系统,引入exp(ipr)特征基,然后通过傅里叶变换,把多重线性映射的逻辑与转换成矢量空间一阶的逻辑与,然后哗哗哗......轻松搞定,呵呵呵






https://blog.sciencenet.cn/blog-1666470-859145.html

上一篇:关于不完备性定理和不确定性原理的探讨(八)(3)
下一篇:关于不完备性定理和不确定性原理的探讨(八)(5)
收藏 IP: 58.42.243.*| 热度|

1 yangb919

该博文允许注册用户评论 请点击登录 评论 (1 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-12-25 13:03

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部