1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工智能是最早出现的，其次是机器学习，最后是深度学习，当今人工智能大爆炸的核心驱动。
区别和联系：
2. 全连接神经网络与卷积神经网络的联系与区别。
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 PIL import Image from scipy.signal import convolve2d import numpy as np import matplotlib.pyplot as plt I = Image.open(r'./china.jpg') L = I.convert('L') image = np.array(I) imageg = np.array(L) # 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]]) # 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]]) # 卷积图像 img0 = convolve2d(imageg, k, boundary='symm', mode='same') img1 = convolve2d(imageg, k1, boundary='symm', mode='same') img2 = convolve2d(imageg, k2, boundary='symm', mode='same') img3 = convolve2d(imageg, k3, boundary='symm', mode='same') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.title("原图片") plt.imshow(image) plt.title("灰度图") plt.imshow(imageg)
plt.matshow(img0) plt.matshow(img1) plt.matshow(img2) plt.matshow(img3)
效果：
卷积图如下：
5. 安装Tensorflow,keras
