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。

 答：人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面，它是一个大的概念；机器学习是属于人工智能的一个研究方向，是人工智能的一个研究方法吧；深度学习是机器学习中的一个研究方法，方向；

2. 全连接神经网络与卷积神经网络的联系与区别。

 答：在全连接神经网络中，每两层之间的节点都有边相连；卷积神经网络也是通过一层一层的节点组织起来的，对于卷积神经网络，相邻两层之间只有部分节点相连。在卷积神经网络的前几层中，每一层的节点都被组织成一个三维矩阵。前几层中每一个节点只和上一层中部分节点相连；他们的区别在于相邻层连接的方式不一样。

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

手工演算如下图所示：

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

代码如下：

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
from scipy.signal import convolve2d

I = Image.open(r"C:Users无语saber.jpg")
L = I.convert('L')

saber = np.array(I)
saberg = np.array(L)

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]])


saber1 = convolve2d(saberg, k1, boundary='symm', mode='same')  # 垂直特征
saber2 = convolve2d(saberg, k2, boundary='symm', mode='same')  # 水平特征
saber3 = convolve2d(saberg, k3, boundary='symm', mode='same')  # 边缘特征

plt.rcParams['font.sans-serif'] = ['SimHei']   # 中文字体
plt.matshow(saber)
plt.title('原图：', fontsize=15, x=-.1 , color='red')
plt.show()
plt.matshow(saberg)
plt.title('灰度图：', fontsize=15, x=-.1 , color='red')
plt.show()
plt.matshow(saber1)
plt.title('垂直特征：', fontsize=15, x=-.1 , color='red')
plt.show()
plt.matshow(saber2)
plt.title('水平特征：', fontsize=15, x=-.1 , color='red')
plt.show()
plt.matshow(saber3)
plt.title('边缘特征：', fontsize=15, x=-.1 , color='red')
plt.show()

运行结果图如下：

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() 

 代码如下：

# 导入相关包
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D

# 建立模型
model = Sequential()

# 一层卷积
model.add(
    Conv2D(
        filters=16,
        kernel_size=(5, 5),
        padding='same',
        input_shape=(28, 28, 1),
        activation='relu'))

# 池化层1
model.add(MaxPool2D(pool_size=(2, 2)))

# 二层卷积
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))

# 三层卷积
model.add(
    Conv2D(
        filters=64,
        kernel_size=(5, 5),
        padding='same',
        activation='relu'))

model.add(Flatten())  # 平坦层
model.add(Dense(128, activation='relu'))  # 全连接层

model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax'))  # 激活函数

model.summary()

运行结果图如下：

参考：

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

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