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。
神经网络即指人工神经网络，或称作连接模型，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络用到的算法是向量乘法，采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。
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 PIL import Image import matplotlib.pyplot as plt import numpy as np from scipy.signal import convolve2d plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示 I = Image.open(r'D:yellow.jpg') L = I.convert('L') image = np.array(I) images = np.array(L) # k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) # 垂直边缘 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]]) # 浮雕 # image = convolve2d(images, k, boundary='symm', mode='same') image1 = convolve2d(images, k1, boundary='symm', mode='same') # 垂直边缘 image2 = convolve2d(images, k2, boundary='symm', mode='same') # 水平边缘 image3 = convolve2d(images, k3, boundary='symm', mode='same') # 浮雕 plt.imshow(image) # 原图 plt.title("原图") plt.figure(figsize=(12, 6)) # 定制大小画布 plt.suptitle("卷积操作") plt.subplot(1, 3, 1) # 放置的一行三列，位置1 plt.imshow(image1) # 垂直边缘 plt.title("垂直边缘") plt.subplot(1, 3, 2) # 放置的一行三列，位置2 plt.imshow(image2) # 水平边缘 plt.title("水平边缘") plt.subplot(1, 3, 3) # 放置的一行三列，位置3 plt.imshow(image3) # 浮雕 plt.title("浮雕")
5. 安装Tensorflow,keras