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。

2. 全连接神经网络与卷积神经网络的联系与区别。

 

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

 

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

#图片卷积运算
from PIL import Image
from scipy.signal import convolve2d
import matplotlib.pyplot as plt
import numpy as np

I = Image.open(r"D:workpy3 Project机器学习dataxhx-153.jpg")    # 读取图片
L = I.convert('L') # 将彩色的图片转化为灰度图片

p = np.array(I)   # 原图转化为数组
pg = np.array(L)   # 灰度图转化为数组

# 输入卷积核
ker1 = np.array([[1,0,-1],[1,0,-1],[1,0,-1]])         # 垂直边缘检测
ker2 = np.array([[-1,-1,-1],[0,0,0],[1,1,1]])         # 水平边缘检测
ker3 = np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])

# 进行卷积计算(目标，卷积核，填充方式，卷积类型)
p1 = convolve2d(pg,ker1,boundary='symm',mode='same')
p2 = convolve2d(pg,ker2,boundary='symm',mode='same')
p2 = convolve2d(pg,ker3,boundary='symm',mode='same')

 5. 安装Tensorflow,keras

 

* 虽然在pycharm中可以显示包，但似乎缺少了某些配置并不能调用，正在尝试修复。

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() 

 

# 导入相关包
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Flatten,Conv2D,MaxPool2D
ks=(4,4)  #使用4x4的卷积核
# 建立模型
model=Sequential()
# 卷积层1
model.add(Conv2D(filters=16,kernel_size=ks,padding="same",input_shape=(8,8,1）,activation='relu'))
#第一层输如数据的shape要指定外，其他层的数据shape框架会自动推导
# 池化层1
model.add(MaxPool2D(pool_size=(2,2)))
# Drop层 防止过拟合
model.add(Dropout(0.25))
# 卷积层2
model.add(Conv2D(filters=32,kernel_size=ks,padding='same',activation='relu'))
# 池化层2
model.add(MaxPool2D(pool_size=(2,2)))
# Drop层 防止过拟合
model.add(Dropout(0.25))
# 卷积层3
model.add(Conv2D(filters=64,kernel_size=ks,padding='same',activation='relu'))
# 卷积层4
model.add(Conv2D(filters=128,kernel_size=ks,padding='same',activation='relu'))
# 池化层3
model.add(MaxPool2D(pool_size=(2,2)))
# Drop层 防止过拟合
model.add(Dropout(0.25))
# 平坦层
model.add(Flatten())
# 全连接层
model.add(Dense(128,activation='relu'))
# Drop层 防止过拟合
model.add(Dropout(0.25))
# 激活函数
model.add(Dense(10,activation='softmax'))
# 查看构造模型结果
model.summary()

参考：

https://www.jianshu.com/p/afe485aa08ce

https://blog.csdn.net/junjun150013652/article/details/82217571