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 |
机器学习 |
深度学习 |
|
联系 |
人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，也是当今人工智能大爆炸的核心驱动。 人工智能>机器学习>深度学习
|
||
|
区别 |
为机器赋予人的智能，是目的，是结果，适用图像分类、人脸识别 |
一种实现人工智能的方法，应用领域是计算机视觉 |
一种实现机器学习的技术，适合处理大数据 |
2. 全连接神经网络与卷积神经网络的联系与区别。
|
|
全连接神经网络 |
卷积神经网络 |
|
含义 |
全连接神经网络(DNN)是最朴素的神经网络，它的网络参数最多，计算量最大。 |
卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别。 |
|
联系 |
结构相似，输入输出以及训练的流程也基本一致。 |
|
|
区别 |
每层隐藏层的每个神经元都和相邻隐藏层的所有神经元相连接。 |
不是全连接的，隐藏层的每个神经元只是和上一个隐藏层某一小片相连。 卷积神经网络可以更好的处理图像数据。 |
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()
| 0 | 0 | 5 | 13 | 9 | 1 | 0 | 0 |
| 0 | 0 | 13 | 15 | 10 | 15 | 5 | 0 |
| 0 | 3 | 15 | 2 | 0 | 11 | 8 | 0 |
| 0 | 4 | 12 | 0 | 0 | 8 | 8 | 0 |
| 0 | 5 | 8 | 0 | 0 | 9 | 8 | 0 |
| 0 | 4 | 11 | 0 | 1 | 12 | 7 | 0 |
| 0 | 2 | 14 | 5 | 10 | 12 | 0 | 0 |
| 0 | 0 | 6 | 13 | 10 | 0 | 0 | 0 |
（参考：https://blog.csdn.net/leviopku/article/details/80327478）
通常用外部api进行卷积的时候，会面临mode选择，full、same、valid，这三种不同模式是对卷积核移动范围的不同限制。
扫描图片时划过像素的个数影响卷积后长度，默认1个像素。
公式：新图片尺寸=[(原图片尺寸-卷积核尺寸+2*像素数)/步长]+1（先取整数再+1）
可以指定步长（精细度）
已知原图片尺寸为8*8，设卷积核尺寸是3x3，步长是1。
卷积核为：
（1）Full
橙色部分为image， 蓝色部分为filter。full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0。
结果：8*8->10*10 变大
（2）Same：保留边界处的卷积结果
当filter的中心(K)与image的边角重合时，开始做卷积运算，可见filter的运动范围比full模式小了一圈。
注意：这里的same还有一个意思，卷积之后输出的feature map尺寸保持不变(相对于输入图片)。当然，same模式不代表完全输入输出尺寸一样，也跟卷积核的步长有关系。
same模式也是最常见的模式，因为这种模式可以在前向传播的过程中让特征图的大小保持不变，调参师不需要精准计算其尺寸变化(因为尺寸根本就没变化)。
结果：8*8->8*8 不变
（3）Valid：只进行有效的卷积，对边界数据不处理
当filter全部在image里面的时候，进行卷积运算，可见filter的移动范围较same更小了。
结果：8*8->6*6 变小
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。
卷积API
scipy.signal.convolve2d
tf.keras.layers.Conv2D
1 from PIL import Image 2 import numpy as np 3 from scipy.signal import convolve2d 4 import matplotlib.pyplot as plt 5 6 # 读取一个图像 7 I = Image.open(r'C:UserslenovoPicturesSaved Pictures3.jpg') 8 L = I.convert('L') 9 10 img=np.array(I) # img原图 11 imgg=np.array(L) # imgg灰度图 12 13 # 以下矩阵为卷积核进行卷积操作 14 k1=np.array([[1,0,-1],[1,0,-1],[1,0,-1]]) # 垂直边缘检测 15 k2=np.array([[1,1,1],[0,0,0],[-1,-1,-1]]) # 水平边缘检测 16 k3=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]) # 检测中间 17 18 # imgg：二维数组，k1：卷积核，boundary：边界填充方式，mode卷积类型 19 img1 = convolve2d(imgg,k1,boundary='symm',mode='same') 20 img2 = convolve2d(imgg,k2,boundary='symm',mode='same') 21 img3 = convolve2d(imgg,k3,boundary='symm',mode='same') 22 23 # 显示卷积之后的图像 24 plt.matshow(img) 25 plt.matshow(imgg) 26 plt.matshow(img1) 27 plt.matshow(img2) 28 plt.matshow(img3)
原图
灰度图
垂直边缘检测 水平边缘检测 中心边缘检测
垂直边缘检测：可以看出图片中物体的垂直方向边界特征被提取出来，而其他的特征被弱化了。
水平边缘检测：可以看出图片中物体的水平方向边界特征被提取出来，而其他的特征被弱化了。
中心边缘检测：可以看出图片中物体的中心边界特征被提取出来，而四周边界的特征被弱化了。
5. 安装Tensorflow,keras
参考：https://blog.csdn.net/u011119817/article/details/88309256
用conda安装可以判断所有安装包的版本间的兼容性。
6. 设计手写数字识别模型结构，注意数据维度的变化。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense， Flatten, Conv2D, MaxPool2D
model = tf.keras.Sequential()
model.add(Conv2D(…))
model.add(MaxPool2D(…))
...
#可以上传手动演算的每层数据结构的变化过程。model.summary()
1 # 导入相关包 2 # sequential设计层数 3 from tensorflow.keras.models import Sequential 4 from tensorflow.keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D 5 6 #建立模型 7 model=Sequential() 8 9 ks=(3,3) # 卷积核大小 10 ips=(16,16,1) 11 12 #一层卷积 13 model.add( 14 Conv2D(filters=32, # 卷积核的个数 15 kernel_size=ks, # 卷积核大小 16 padding='same', # 保证卷积核大小，不够不算 17 input_shape=ips, 18 activation='relu')) # activation: 激活函数，'relu','sigmoid'等 19 20 #池化层1 21 model.add(MaxPool2D(pool_size=(2,2))) 22 model.add(Dropout(0.25)) 23 24 #二层卷积 25 model.add( 26 Conv2D(filters=64,kernel_size=ks,padding='same',activation='relu')) 27 #池化层2 28 model.add(MaxPool2D(pool_size=(2,2))) 29 model.add(Dropout(0.25)) 30 31 #三层卷积 32 model.add( 33 Conv2D(filters=128,kernel_size=ks,padding='same',activation='relu')) 34 #池化层3 35 model.add(MaxPool2D(pool_size=(2,2))) 36 model.add(Dropout(0.25)) 37 38 39 model.add(Flatten()) #平坦层 40 model.add(Dense(128,activation='relu')) #dense全连接层 41 model.add(Dropout(0.25)) 42 model.add(Dense(10,activation='softmax')) #激活函数 softmax分类 43 44 model.summary()
参考：
https://www.jianshu.com/p/afe485aa08ce
https://blog.csdn.net/junjun150013652/article/details/82217571