14 深度学习-卷积

1.简述人工智能、机器学习和深度学习三者的联系与区别。

　　人工智能是最早出现的，其次是机器学习，最后是深度学习，当今人工智能大爆炸的核心驱动。

　　　　　

　　区别和联系：

　　

2. 全连接神经网络与卷积神经网络的联系与区别。

　　卷积神经网络也是通过一层一层的节点组织起来的。和全连接神经网络一样，卷积神经网络中的每一个节点就是一个神经元。

　　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。

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 scipy.signal import convolve2d
import numpy as np
import matplotlib.pyplot as plt

I = Image.open(r'./china.jpg')
L = I.convert('L')
image = np.array(I)
imageg = np.array(L)

# 卷积矩阵
k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])  # 垂直边缘检测
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]])

# 卷积图像
img0 = convolve2d(imageg, k, boundary='symm', mode='same')
img1 = convolve2d(imageg, k1, boundary='symm', mode='same')
img2 = convolve2d(imageg, k2, boundary='symm', mode='same')
img3 = convolve2d(imageg, k3, boundary='symm', mode='same')

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.title("原图片")
plt.imshow(image)

plt.title("灰度图")
plt.imshow(imageg)

plt.matshow(img0)
plt.matshow(img1)
plt.matshow(img2)
plt.matshow(img3)

效果：　　　　

　　　　

　　　　

　　卷积图如下：

　　　　

　　　　　　

　　　　

　　　　

5. 安装Tensorflow,keras