开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

n维中FFT的计算复杂度

是O(nlogn)。

FFT（快速傅里叶变换）是一种高效的算法，用于将一个离散序列（如时间序列）转换为其频域表示。在n维中，FFT的计算复杂度是O(nlogn)。这意味着随着输入规模n的增加，计算时间以较快的速度增长。

FFT在信号处理、图像处理、数据压缩、通信等领域有广泛的应用。它可以用于频谱分析、滤波、信号恢复、图像变换等任务。

腾讯云提供了一系列与FFT相关的产品和服务，例如：

腾讯云音视频处理（https://cloud.tencent.com/product/mps）：提供了音视频处理的解决方案，包括音频转码、视频转码、音视频剪辑等功能，可以应用于音视频处理中的FFT计算。
腾讯云人工智能（https://cloud.tencent.com/product/ai）：提供了丰富的人工智能服务，如语音识别、图像识别等，这些服务中可能会使用到FFT算法。
腾讯云数据分析（https://cloud.tencent.com/product/dla）：提供了数据分析和挖掘的解决方案，可以应用于对大规模数据进行FFT计算和分析。

以上是腾讯云提供的一些与FFT相关的产品和服务，可以根据具体需求选择适合的产品进行使用。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

GFNet | MLP领域再发力，清华大学提出将FFT思想用于空间信息交互

。虽然这篇文章的指标对比最新的VOLO、ViP等不算高，不过它为相关架构设计提供了一个非常不错的思路，值得学习。

02

双边滤波加速「建议收藏」

双边滤波器是同时考虑空间域和值域信息的类似传统高斯平滑滤波器的图像滤波、去噪、保边滤波器。其模板系数是空间系数d与值域系数r的乘积。其思想是：空间系数是高斯滤波器系数，值域系数为考虑了邻域像素点与中心像素点的像素值的差值，当差值较大时，值域系数r较小，即，为一个递减函数（高斯函数正半部分），带来的结果是总的系数w=d*r变小，降低了与“我”差异较大的像素对我的影响。从而达到保边的效果，同时，有平滑的作用。

01

CVPR 2022 Oral | MLP进军底层视觉！谷歌提出MAXIM：刷榜多个图像处理任务，代码已开源！

你是否厌倦了最新的Transformer/MLP模型的「不灵活性」和「高空间复杂度」？

02

CVPR 2022 Oral | MLP进军底层视觉！谷歌提出MAXIM模型刷榜多个图像处理任务，代码已开源

你是否厌倦了最新的Transformer/MLP模型"不灵活性"和"高空间复杂度"？

01

没有残差连接的ViT准确率只有0.15%！北大&华为提出用于ViT的增强 Shortcuts，涨点显著！

本文分享 NeurIPS 2021 论文『Augmented Shortcuts for Vision Transformers』，由北大&华为联合提出用于 Vision Transformer 的Augmented Shortcuts，涨点显著！！！

01

综述三 | 最全的目标检测大综述（附下载链接）

加速目标检测一直是一个重要而又具有挑战性的问题。在过去的20年里，目标检测领域已经发展了复杂的加速技术。这些技术大致可以分为 “ 检测管道提速 ”、“ 检测引擎提速 ” 和 “ 数值计算提速 ” 三个层次，如下图所示。

02

20年的目标检测大综述（章节3）

今天，“计算机视觉战队”给大家继续分享目标检测综述，今天主要说说目标检测算法的快速发展。

01

卷积神经网络中的Winograd快速卷积算法

随便翻一翻流行的推理框架（加速器），如NCNN、NNPACK等，可以看到，对于卷积层，大家不约而同地采用了Winograd快速卷积算法，该算法出自CVPR 2016的一篇 paper：Fast Algorithms for Convolutional Neural Networks。

04

基于变分法的感知色彩校正

本文提出一种基于变分技术的图像感知色彩校正，提出了一个新的图像泛函，其最小值可以产生感知色彩增强后的图，这个变分公式使得局部对比度调整和数据的联系更灵活，展示了一个将梯度下降的数值实现运用到能量泛函和自动色彩增强（ACE）方程的模型。此外，欧拉-拉格朗日方程的数值近似将模型复杂度从\(O({N^2})\)减少到\(O(N\log (N))\)。

02

深度学习模型压缩与加速综述

目前在深度学习领域分类两个派别，一派为学院派，研究强大、复杂的模型网络和实验方法，为了追求更高的性能；另一派为工程派，旨在将算法更稳定、高效的落地在硬件平台上，效率是其追求的目标。复杂的模型固然具有更好的性能，但是高额的存储空间、计算资源消耗是使其难以有效的应用在各硬件平台上的重要原因。所以，卷积神经网络日益增长的深度和尺寸为深度学习在移动端的部署带来了巨大的挑战，深度学习模型压缩与加速成为了学术界和工业界都重点关注的研究领域之一。本文主要介绍深度学习模型压缩和加速算法的三个方向，分别为加速网络结构设计、模型裁剪与稀疏化、量化加速。

04

想把半本《红楼梦》搬进ChatGPT输入框？先把这个问题解决掉

机器之心报道编辑：rome rome 从 GPT-4 的 32k 到谷歌 CoLT5 的 64k 再到最新研究的 200万 token，类ChatGPT 模型们可以处理的文本长度正在急剧增加，这意味着它们的应用范围也越来越广。或许有一天，ChatGPT 能帮乔治·马丁把《冰与火之歌》（权力的游戏）写完呢？过去两年，斯坦福大学 Hazy Research 实验室一直在从事一项重要的工作：增加序列长度。他们有一种观点：更长的序列将开启机器学习基础模型的新时代 —— 模型可以从更长的上下文、多种媒体源、

04

替代Transformer！斯坦福提出新架构：Monarch Mixer，无需Attention，性能更强~

本文探索了 Monarch Mixer (M2) ，这是一种在序列长度和模型维度上都是次二次的新架构，并且在现代加速器上具有很高的硬件效率。

02

比Transformer更好，无Attention、MLPs的BERT、GPT反而更强了

从 BERT、GPT 和 Flan-T5 等语言模型到 SAM 和 Stable Diffusion 等图像模型，Transformer 正以锐不可当之势席卷这个世界，但人们也不禁会问：Transformer 是唯一选择吗？

04

arXiv论文 | 向量空间中词表示的有效估计

本文提出了两种新的模型架构，用于计算来自非常大的数据集的单词的连续向量表示。新的模型架构在低得多的计算成本下，准确率有了很大的提高，从16亿个单词数据集中学习高质量的单词向量只需不到一天的时间。

03

shuffle model_什么是did模型

论文提出了一种计算效率极高的卷积神经网络结构——ShuffleNet，它是专门为计算能力有限的移动平台设计的。这个新结构用来两个新操作——逐渐群卷积(pointwise group convulution)和通道混洗(channel shuffle)在保障精确率损失不大的同时大大减少了计算成本。基于ImageNet数据集的分类任务和MS COCO的目标检测任务上ShuffleNet都表现出了优于其他结构的性能，如 top-1 error 仅为7.8%，超越了之前MobileNet在ImageNet分类为任务的表现。

02

算法金 | 一个强大的算法模型：t-SNE ！！

t-SNE（t-Distributed Stochastic Neighbor Embedding）是一种用于降维和数据可视化的非线性算法。它被广泛应用于图像处理、文本挖掘和生物信息学等领域，特别擅长处理高维数据。

00

Android上实现频域均衡器

本篇文章主要介绍了将录音从时域数据转化成频域数据的方法。

02

深度学习模型压缩与加速综述

http://www.tensorinfinity.com/paper_167.html

07

AI芯片：高性能卷积计算中的数据复用

深度学习的发展过程中，较高的计算量是制约其应用的因素之一。卷积神经网络中，主要计算为三维的卷积计算（后简称为卷积），现有的主流处理器难以高性能，高效能的完成卷积计算。相比一般的通用计算，卷积计算中存在的大量数据复用以及计算的规则性，在硬件的微架构（后简称为架构）设计和计算优化上有很大的优化空间，由此诞生了众多针对深度学习加速的AI芯片。卷积计算过程可以表示如下

02

这个 FFT ，看得我都 FFT 了

FFT 即快速傅立叶变换。在很多计算机领域都用用处，例如数字图像处理、计算机网络。但他在算法竞赛中主要是用于多项式和生成函数相关的题目。

03

傅里叶变换理论与应用

$$ \begin{array}{l} \int_{-l}^{l} \cos \frac{n \pi x}{l} \cos \frac{m \pi x}{l} \mathrm{~d} x &=&\frac{1}{2} \int_{-l}^{l} \cos \frac{(n+m) \pi x}{l}+\cos \frac{(n-m) \pi x}{l} \mathrm{~d} x \\ &=&\left.\left(\frac{l}{2(n+m) \pi} \sin \frac{(n+m) \pi x}{l}+\frac{l}{2(n-m) \pi} \sin \frac{(n-m) \pi x}{l}\right)\right|_{-l} ^{l} \\&=&0 \end{array} $$

08

[深度学习概念]·谷歌transformer论文解读（转）

这篇博客的主要内容是对谷歌提出的transformer 进行论文解读，包含算法复杂度的分析。对应的论文是 “Attention is all you need", 链接如下 https://arxiv.org/pdf/1706.03762.pdf 。

03

转：fft算法（快速傅里叶变换算法）

FFT (Fast Fourier Transform) 是一种快速傅里叶变换算法。它是用来将一个信号从时域转换到频域的算法。这个算法通过分治策略，将一个长度为 N 的复数序列分解成 N/2 个长度为 2 的复数序列，然后对这些小的序列分别进行 FFT 计算。

06

PyTorch中的傅立叶卷积：通过FFT有效计算大核卷积的数学原理和代码实现

卷积在数据分析中无处不在。几十年来，它们已用于信号和图像处理。最近，它们已成为现代神经网络的重要组成部分。

01

卷积神经网络中的傅里叶变换：1024x1024 的傅里叶卷积

卷积神经网络 (CNN) 得到了广泛的应用并且事实证明他是非常成功的。但是卷积的计算很低效，滑动窗口需要很多计算并且限制了过滤器的大小，通常在 [3,3] 到 [7,7] 之间的小核限制了感受野（最近才出现的大核卷积可以参考我们以前的文章），并且需要许多层来捕获输入张量的全局上下文（例如 2D 图像）。图像越大小核的的表现就越差。这就是为什么很难找到处理输入高分辨率图像的 CNN模型。

03

即插即用模块 | CompConv卷积让模型不丢精度还可以提速（附论文下载）

卷积神经网络(CNN)在各种计算机视觉任务中取得了显著的成功，但其也依赖于巨大的计算成本。为了解决这个问题，现有的方法要么压缩训练大规模模型，要么学习具有精心设计的网络结构的轻量级模型。在这项工作中，作者仔细研究了卷积算子以减少其计算负载。特别是，本文提出了一个紧凑的卷积模块，称为CompConv，以促进高效的特征学习。通过分治法的策略，CompConv能够节省大量的计算和参数来生成特定维度的特征图。

03

即插即用模块 | CompConv卷积让模型不丢精度还可以提速（附论文下载）

卷积神经网络(CNN)在各种计算机视觉任务中取得了显著的成功，但其也依赖于巨大的计算成本。为了解决这个问题，现有的方法要么压缩训练大规模模型，要么学习具有精心设计的网络结构的轻量级模型。在这项工作中，作者仔细研究了卷积算子以减少其计算负载。特别是，本文提出了一个紧凑的卷积模块，称为CompConv，以促进高效的特征学习。通过分治法的策略，CompConv能够节省大量的计算和参数来生成特定维度的特征图。

02

Self-Attention真的是必要的吗？微软&中科大提出Sparse MLP，降低计算量的同时提升性能！

Transformer由于其强大的建模能力，目前在计算机视觉领域占据了重要的地位。在这项工作中，作者探究了Transformer的自注意（Self-Attention）模块是否是其实现图像识别SOTA性能的关键。为此，作者基于现有的基于MLP的视觉模型，建立了一个无注意力网络sMLPNet。

03

如何学会傅里叶变换？

作者：张苏链接：https://www.zhihu.com/question/22202980/answer/20973635 来源：知乎著作权归作者所有，转载请联系作者获得授权。

02

推荐系统遇上深度学习(一三二)-[阿里]点击率预估中的自适应参数生成网络

今天给大家分享一篇阿里发表的关于神经网络中网络参数自适应生成的文章，不仅可以做到不同的样本有不同的网络参数，同时通过拆分矩阵等操作大大提升了推理性能，一起来学习一下。

04

AI: 了解大模型降维技术

在大模型开发过程中，降维是一个关键的步骤。它可以帮助我们处理和分析高维数据，降低计算复杂度，提高模型性能。下面，我们将详细介绍降维的基本概念、常用方法以及在大模型开发中的应用。

01

物理传热启发的视觉表征模型vHeat来了，尝试突破注意力机制，兼具低复杂度、全局感受野

本文作者为VMamba的原班人马，其中第一作者王兆植是中国科学院大学和鹏城实验室的2022级联合培养博士生，共同一作刘悦是中国科学院大学2021级直博生。他们的主要研究方向是视觉模型设计和自监督学习。

01

STARKs, Part II: Thank Goodness It's FRI-day

在本系列的上一篇文章中，我们谈到了，如何能够做出一些非常有意思且简洁的计算证明，比如通过利用多项式复合和除法技术，证明你算出了第一百万个斐波那契数。但是，它依托于一个非常重要的元素：给定一个集合，里面有很多的点，你必须能够证明集合里的大部分点都在同一个低次多项式上（译者注：本文所译的多项式度数或次数，皆对应 degree 一词）。这个叫做“低次测试”的问题，可能是协议中最为复杂的部分。

01

【深度学习】⑤--自然语言处理的相关应用

恩恩，关注我好了 1. 自然语言处理（NLP）的常见任务先来看看在工业界对于自然语言处理的一些常见需求与任务。自动摘要这个在搜索引擎中非常常用。指计算机能自动去阅读一篇文章然后去提取这篇文章的摘要。指代消解比如“小明放学了，妈妈去接他”这句话中的“他”指代为“小明”。这个计算机本身并不知道，而我们希望计算机能自己去识别这些指代的对象。机器翻译这个非常熟悉，比如中英文的互相翻译。我们希望计算机能自动地将一种语言翻译成另一种语言。词性标注即计算机能自动去标注出每个词的词性（动词，形容词

08

【图神经网络】GCN-2（ChebyNet）

Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering

03

一文学透Crane DSP预测算法

孟凡杰，腾讯云容器技术专家，FinOps产品研发负责人。余宇飞，腾讯云专家工程师，专注云原生可观测性、成本优化等领域，Crane 核心开发者，现负责 Crane 资源预测、推荐落地、运营平台建设等相关工作。背景在《Effective HPA：预测未来的弹性伸缩产品》一文中，我们提到原生HPA并不完美。基于阈值被动响应机制的滞后性与众多应用冷启动慢等原因导致很大一部分应用无法安心配置弹性。基于DSP（Digital Signal Processing，数字信号处理）算法的预测机制，Crane确保在

02

8个常见的机器学习算法的计算复杂度总结

来源：DeepHub IMBA本文约1000字，建议阅读6分钟本文为你整理了一些常见的机器学习算法的计算复杂度。计算的复杂度是一个特定算法在运行时所消耗的计算资源（时间和空间）的度量。计算复杂度又分为两类：一、时间复杂度时间复杂度不是测量一个算法或一段代码在某个机器或者条件下运行所花费的时间。时间复杂度一般指时间复杂性，时间复杂度是一个函数，它定性描述该算法的运行时间，允许我们在不运行它们的情况下比较不同的算法。例如，带有O(n)的算法总是比O(n²)表现得更好，因为它的增长率小于O(n²)。二

03

阿里提出QuadTree Transformer | 最轻、最强的Vision Transformer Backbone

Transformer可以通过注意力模块捕获长期依赖关系，并在自然语言处理任务中显示出巨大的成功。近年来，Transformer也被用于计算机视觉任务，用于图像分类、目标检测、语义分割、特征匹配等。通常情况下，图像被分成几个小的patches，这些小patches被Flatten并作为单词符号输入Transformer，以评估注意力得分。而在Token数量上，即图像patch的数量上，Transformer的计算复杂度是二次的。因此，将Transformer应用于计算机视觉应简化所涉及的计算。

02

基于麦克风阵列的现有声源定位技术有_高斯滤波椒盐噪声

目前基于麦克风阵列的声源定位方法大致可以分为三类：基于最大输出功率的可控波束形成技术、基于高分辨率谱图估计技术和基于声音时间差（time-delay estimation，TDE）的声源定位技术。

05

文献阅读：Linformer: Self-Attention with Linear Complexity

这篇文章同样是我在阅读Transformer Quality in Linear Time这篇文章时想到的一个工作，所以就来考个古，把这篇文章也翻出来整理一下，算是给自己做个笔记了。

03

Bert不完全手册9. 长文本建模 BigBird & Longformer & Reformer & Performer

这一章我们来唠唠如何优化BERT对文本长度的限制。BERT使用的Transformer结构核心在于注意力机制强大的交互和记忆能力。不过Attention本身O(n^2)的计算和内存复杂度，也限制了Transformer在长文本中的应用。

04

Bert不完全手册9. 长文本建模 BigBird & Longformer & Reformer & Performer

这一章我们来唠唠如何优化BERT对文本长度的限制。BERT使用的Transformer结构核心在于注意力机制强大的交互和记忆能力。不过Attention本身O(n^2)的计算和内存复杂度，也限制了Transformer在长文本中的应用。

03

AMSA-UNet | 基于自注意力的多尺度 U-Net 提升图像去模糊性能！

早期的去模糊方法主要关注非盲去模糊，恢复已知模糊核的图像。Pan等人[1]通过计算模糊图像中暗通道的稀疏性来准确计算模糊核，以恢复清晰图像。然而，这些传统方法在处理空间变化的模糊方面存在困难，而且通常耗时。

01

支持向量机（SVM）在分类问题中的表现与优化方法

支持向量机（Support Vector Machine，SVM）是一种常用的监督学习算法，广泛应用于分类问题。其独特的优化算法和理论基础使得SVM在许多领域取得了出色的性能。本文将详细介绍SVM在分类问题中的表现，并探讨一些常用的优化方法。

02

搞懂 Vision Transformer 原理和代码，看这篇技术综述就够了（二）

本文为详细解读Vision Transformer的第二篇，主要包括三个方向的分类：可变形的Transformer ，用于分类任务的Transformer ，用于底层视觉任务的Transformer，分别对应了三篇相关论文。附有超详细的代码解读。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

03

哈佛、MIT学者联手，创下矩阵乘法运算最快纪录

矩阵乘法作为一种基本的数学运算，在计算机科学领域有着非常广泛的应用，矩阵乘法的快速算法对科学计算有着极为重要的意义。自 1969 年 Strassen 算法开始，人们意识到了快速算法的存在，开始了长达数十年的探索研究。

01

算法金 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost 算法大全

决策树是一种简单直观的机器学习算法，它广泛应用于分类和回归问题中。它的核心思想是将复杂的决策过程分解成一系列简单的决策，通过不断地将数据集分割成更小的子集来进行预测。本文将带你详细了解决策树系列算法的定义、原理、构建方法、剪枝与优化技术，以及它的优缺点。

00

压缩版styleGAN，合成高保真图像，参数更少、计算复杂度更低

机器之心报道作者：小舟、陈萍一个名为 MobileStyleGAN 的新架构大大减少了基于样式 GAN 的参数量，降低了计算复杂度。近年来在生成图像建模中，生成对抗网络（GAN）的应用越来越多。基于样式（style-based）的 GAN 可以生成不同层次的细节，大到头部形状、小到眼睛颜色，它在高保真图像合成方面实现了 SOTA，但其生成过程的计算复杂度却非常高，难以应用于智能手机等移动设备。近日，一项专注于基于样式的生成模型的性能优化的研究引发了大家的关注。该研究分析了 StyleGAN2 中最

01

8个超级经典的聚类算法

层级聚类（Hierarchical Clustering）是一种基于树形结构的聚类算法，通过将数据点逐步合并成簇，最终形成一棵树形的聚类结构。层级聚类算法可以分为两种：自底向上聚类（Agglomerative Clustering）和自上向下聚类（Divisive Clustering）

01

稀疏高斯过程的轻量级点云表示

本文提出了一个表示高保真点云传感器观测的框架，用于实现高效的通信和存储。该方法利用稀疏高斯过程将点云进行压缩编码。我们的方法只使用一个模型（一个2D稀疏高斯过程）来表示自由空间和被占据空间，而不是现有的双模型框架（两个3D高斯混合模型）。我们通过提出一种基于方差的采样技术来实现这一点，它可以有效地区分自由空间和被占据空间。这种新的表示方式需要更少的内存占用，并且可以通过有限带宽的通信通道进行传输。该框架在仿真中被广泛应用，并被一个配有3D激光雷达的真实移动机器人进行了验证。与发送原始点云相比，我们的方法使通信速率降低了70~100倍。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭