1.简述人工智能、机器学习和深度学习三者的联系与区别。
从上图中可以看出，三者之间其实是一种包含的关系，即深度学习是实现机器学习的技术，而机器学习又是实现人工智能的方法。
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
从以上两图是两种网络的结构，两种网络都是由一层一层的节点组织起来的，每一个节点就是一个神经元，而且两者的输入输出也较为相似，
区别在于两个网络各自的节点连接方式，全连接神经网络中，相邻的两层的节点全都有相连，而卷积神经网络两层节点间只有部分节点相连。
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()
| 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 |
选取如下卷积核：
第一次：使用上面的卷积核和上面矩阵中头一个3*3的矩阵进行运算
1*0+0*0+-1*5+1*0+0*0+-1*13+1*0+0*0+-1*15= -13
第二次选取的矩阵往右移动一格，即
，再如上和卷积核做相同的计算，得结果-27
第三次第四次。。。。。。都喝上面的步骤一样，和卷积核计算得出结果
.。。。。。
当移动到前三行的最后三列时，得结果27，以上结果记为一行，即
于是往下一列，从左开始做上述计算，每次移动完后就向下一列从左边开始计算，移动到最后一列后计算完，这个过程便结束，结果如下：
读取一个图像；
4.理解卷积如何提取图像特征。
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
（1）导入相关的包
from PIL import Image import matplotlib.pyplot as plt %matplotlib inline import numpy as np from scipy.signal import convolve2d
（2）读取图片，并做卷积运算
#读取图片，转换图片模式 I = Image.open(r'C:UserszengkPicturesCamera Roll irvana.jpg') L = I.convert('L')
img = np.array(I) imgg = np.array(L) #三种卷积核 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]]) # k4 = np.array([[1,1,1],[-1,-1,-1],[1,1,1]]) #卷积计算 img1 = convolve2d(imgg,k1,boundary='symm',mode='same') img2 = convolve2d(imgg,k2,boundary='symm',mode='same') img3 = convolve2d(imgg,k3,boundary='symm',mode='same') #显示图片 plt.matshow(img) plt.matshow(img1) plt.matshow(img2) plt.matshow(img3)
（3）结果及观察：
原图如下：
| 1 | 0 | -1 |
| 1 | 0 | -1 |
| 1 | 0 | -1 |
此卷积核下计算出来的图像如下
从此图中可以观察出，主要是纵向的线条较为明显，比如两人物的头发和衣物以及左边人物的鼻梁，较为明显
| 1 | 1 | 1 |
| 0 | 0 | 0 |
| -1 | -1 | -1 |
此卷积核下的卷积结果如下：
从此图中可以观察出，主要是横向的线条较为明显，比如左边人物的发际线、肩膀，上图只能看到鼻梁的鼻子在这里能观察到鼻孔位置，还有最下面的几个躺着的人的腿。
| -1 | -1 | -1 |
| -1 | 8 | -1 |
| -1 | -1 | -1 |
此卷积核下的卷积结果如下：
这个图主要就是一些边缘的特征提取
5. 安装Tensorflow,keras
参考：https://blog.csdn.net/u011119817/article/details/88309256
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()
# 导包
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D
model = Sequential()
# 一层卷积
model.add(Conv2D(filters=16,kernel_size=(5, 5),padding='same',input_shape=(28, 28, 1),activation='relu'))
# 二层卷积
model.add(Conv2D(filters=32,kernel_size=(5, 5),padding='same',activation='relu'))
# 池化层1
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
#三层卷积
model.add(Conv2D(filters=32,kernel_size=(5, 5),padding='same',activation='relu'))
# 池化层2
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
# 四层卷积
model.add(Conv2D(filters=64,kernel_size=(5, 5),padding='same',activation='relu'))
model.add(Flatten())
# 全连接层
model.add(Dense(128, activation='relu'))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax')) # 激活函数
#每层数据的结构变化过程
model.summary()
参考：
https://www.jianshu.com/p/afe485aa08ce
https://blog.csdn.net/junjun150013652/article/details/82217571
https://blog.csdn.net/qq_32458499/article/details/80167099
https://blog.csdn.net/weixin_42414405/article/details/90642444