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:人工只能包括了机器学习和深度学习，而机器学习又包含了深度学习。人工智能是目的，是结果；深度学习、机器学习是方法，是工具；机器学习是一种实现人工智能的方法，机器学习直接来源于早期的人工智能领域。深度学习是一种实现机器学习的技术，深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习，给人工智能以璀璨的未来。
2. 全连接神经网络与卷积神经网络的联系与区别。
答： 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 scipy.signal import convolve2d from PIL import Image import matplotlib.pyplot as plt import numpy as np I = Image.open(r'./data/z.jpg') #导入图片 L = I.convert("I") cat = np.array(I) catg = np.array(L) k = np.array([[-1,0,1],[-2,0,2],[-1,0,1]]) k1 = np.array([[-1,0,1],[-2,0,-2],[-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]]) cat = convolve2d(catg,k,boundary='symm',mode='same') cat1 = convolve2d(catg,k1,boundary='symm',mode='same') cat2 = convolve2d(catg,k2,boundary='symm',mode='same') cat3 = convolve2d(catg,k3,boundary='symm',mode='same') plt.imshow(cat) plt.imshow(cat1) plt.imshow(cat2) plt.imshow(cat3)
图例：
cat：
cat1：
cat2： .
cat3： .
5. 安装Tensorflow,keras