1.简述人工智能、机器学习和深度学习三者的联系与区别。
答：机器学习是实现人工智能的其中一种方法， 深度学习是实现机器学习的其中一种技术。
2. 全连接神经网络与卷积神经网络的联系与区别。
答：全链接是将神经元依据权重全部一一连接到隐藏层，数据十分的庞大且会损失图像的空间信息，而卷积神经网络虽然也是神经元经过权重相乘计算，但是方法却大不同，卷积神经网络是利用卷积核来对原图片信息数据进行逐个行逐个列的扫描，每行每列的扫描结果相加成一个，最终集合成一个新的矩阵信息。
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()
如图：
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
效果：
原图：
代码：
from PIL import Image from scipy.signal import convolve2d import numpy as np import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei'] image = Image.open(r"C:/Users/John doe/Pictures/新建文件夹/333.png") 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]]) k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) photo1 = convolve2d(p, k, boundary='symm', mode='same') photo2 = convolve2d(p, k1, boundary='symm', mode='same') photo3 = convolve2d(p, k2, boundary='symm', mode='same') photo4 = convolve2d(p, k3, boundary='symm', mode='same') plt.imshow(photo1) plt.title("结果图1") plt.show() plt.imshow(photo2) plt.title("结果图2") plt.show() plt.imshow(photo3) plt.title("结果图3") plt.show() plt.imshow(photo4) plt.title("结果图4") plt.show()
5. 安装Tensorflow,keras
语句：
import tensorflow
import keras