2020.6.1 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。

答：人工智能是为机器赋予人的智能；机器学习是一种实现人工智能的方法；深度学习是一种实现机器学习的技术。

联系：三者相互联系，深度学习为机器学习提供一个学习的技术，而机器学习是实现人工智能的方法；可以用如下图来解释联系；

2. 全连接神经网络与卷积神经网络的联系与区别。

 答：联系：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。

区别：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

# 导入类库
import numpy as np
import matplotlib.pyplot  as plt
from PIL import Image
from scipy.signal import convolve2d

# 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]])
k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])
k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
I = Image.open("F:/china.jpg")
L = I.convert('L')

#查看灰度图数据矩阵
img = np.array(L)

#卷积图像
china0 = convolve2d(img, k, boundary='symm', mode='same')
china1 = convolve2d(img, k1, boundary='symm', mode='same')
china2 = convolve2d(img, k2, boundary='symm', mode='same')
china3 = convolve2d(img, k3, boundary='symm', mode='same')

#显示原图
plt.imshow(I)
plt.show()

#显示灰度图
plt.imshow(img)
plt.show()

#显示卷积图
plt.imshow(china0)
plt.show()

plt.imshow(china1)
plt.show()

plt.imshow(china2)
plt.show()

plt.imshow(china3)
plt.show()

原图：

 灰度图：

 卷积后图1：

  卷积后图2：

 卷积后图3：

 卷积后图4：

5. 安装Tensorflow,keras