1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工智能是机器诠释的人类智能,是机器学习和深度学习后想实现的结果和目的,机器学习是实现人工智能的方法,深度学习是机器学习算法中的一种算法,一种实现机器学习的技术和学习方法。
2. 全连接神经网络与卷积神经网络的联系与区别。
卷积神经网络和全连接神经网络一样也是通过一层一层的节点组织起来的,卷积神经网络中的每一个节点就是一个神经元。而在全连接神经网络中,每相邻两层之间的节点都有边相连,于是会将每一层的全连接层中的节点组织成一列,这样方便显示连接结构。而对于卷积神经网络,相邻两层之间只有部分节点相连,为了展示每一层神经元的维度,一般会将每一层卷积层的节点组织成一个三维矩阵,卷积神经网络有两种神器,第一种神器是局部感知野,第二种是权值共享,这是这是全连接网络无法具有的特性。
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
from PIL import Image from pylab import * from scipy.signal import convolve2d import matplotlib.pyplot as plt # 定义不同卷积核 # k=np.array([[-1,0,1],[-2,0,2],[-1,0,1]]) # 垂直边缘 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]]) # 浮雕 # RGB图片转灰度图 im = array(Image.open("D:/image.jpg").convert('L')) # 显示原图 plt.title("原灰度图") plt.imshow(im) # cat0=convolve2d(im,k,boundary='symm',mode='same') # imshow(cat0) cat1=convolve2d(im,k1,boundary='symm',mode='same') imshow(cat1) plt.title("垂直边缘") cat2=convolve2d(im,k2,boundary='symm',mode='same') imshow(cat2) plt.title("水平边缘") cat3=convolve2d(im,k3,boundary='symm',mode='same') imshow(cat3) plt.title("浮雕")
5. 安装Tensorflow,keras