1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工智能是计算机科学的一个分支，它企图了解智能的本质。
机器学习属于人工智能的一个分支，也是人工智能的和核心。
深度学习是利用深度神经网络来解决特征表达的一种学习过程。
2. 全连接神经网络与卷积神经网络的联系与区别。
在全连接神经网络中，每两层之间的节点都有边相连。
卷积神经网络也是通过一层一层的节点组织起来的，对于卷积神经网络，相邻两层之间只有部分节点相连。
在卷积神经网络的前几层中，每一层的节点都被组织成一个三维矩阵。前几层中每一个节点只和上一层中部分节点相连。
3.理解卷积计算。
以digit0为例，进行手工演算。
from sklearn.datasets import load_digits #小数据集8*8
digits = load_digits()
4.理解卷积如何提取图像特征。
读取一个图像；
以下矩阵为卷积核进行卷积操作；
显示卷积之后的图像，观察提取到什么特征。
| 1 | 0 | -1 |
| 1 | 0 | -1 |
| 1 | 0 | -1 |
| 1 | 1 | 1 |
| 0 | 0 | 0 |
| -1 | -1 | -1 |
| -1 | -1 | -1 |
| -1 | 8 | -1 |
| -1 | -1 | -1 |
卷积API
scipy.signal.convolve2d
tf.keras.layers.Conv2D
原图片：
图片：
图片1：
图片2：
图片3：
from PIL import Image from scipy.signal import convolve2d import numpy as np import matplotlib.pyplot as plt from pylab import mpl # 指定字体，解决plot不能显示中文的问题 mpl.rcParams['font.sans-serif'] = ['SimHei'] # 读取一张图片 image = Image.open(r"D:/STUDY/机器学习/juanji.jpg") p = image.convert("L") k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) # 垂直边缘 k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) # 水平边缘 k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) pg0 = convolve2d(p, k, boundary='symm', mode='same') pg1 = convolve2d(p, k1, boundary='symm', mode='same') pg2 = convolve2d(p, k2, boundary='symm', mode='same') pg3 = convolve2d(p, k3, boundary='symm', mode='same') plt.imshow(p) plt.title("原图片") plt.show() # 显示图片 plt.imshow(pg0) plt.title("图片") plt.show() plt.imshow(pg1) plt.title("图片1") plt.show() plt.imshow(pg2) plt.title("图片2") plt.show() plt.imshow(pg3) plt.title("图片3") plt.show()
5. 安装Tensorflow,keras