补交作业：第十二次作业--垃圾邮件分类：https://www.cnblogs.com/sgczw/p/13060726.html
第十三次作业--垃圾邮件分类2：https://www.cnblogs.com/sgczw/p/13060743.html
（这两个作业电脑显卡炸了，返厂修了两周，所以没有完成，只能在手机上直播课，谢谢老师）
第六次作业--逻辑回归：https://www.cnblogs.com/sgczw/p/12759682.html （这个作业我4月23日就已经弄好了，但是忘记交了，老师可以查看一下这篇博客的日期）
1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工只能包括了机器学习和深度学习，而机器学习又包含了深度学习。人工智能是目的，是结果；深度学习、机器学习是方法，是工具；机器学习是一种实现人工智能的方法，机器学习直接来源于早期的人工智能领域。深度学习是一种实现机器学习的技术，深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习，给人工智能以璀璨的未来。
2. 全连接神经网络与卷积神经网络的联系与区别。
全连接神经网络和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()
| 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
import matplotlib.pyplot as plt import numpy as np from scipy.signal import convolve2d from PIL import Image # 读取一张图片 image = Image.open(r"D:/education/wonderwoman.jpg")
catH=image.convert("L")
k=np.array([[-1,0,1],[-2,0,2],[-1,0,1]] )#垂直边缘 k1=np.array([[-1,0,1],[-2,0,2],[-1,0,1]])#水平边缘 k2=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]) p1 = convolve2d(catH,k,boundary='symm',mode='same') p2 = convolve2d(catH,k2,boundary='symm',mode='same') plt.imshow(image) #查看图片 plt.show() plt.imshow(p1) #查看图片 plt.show() plt.imshow(p2) #查看图片 plt.show()
5. 安装Tensorflow,keras