作业14
1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工智能是目的，是结果，机器学习是一种实现人工智能的方法，深度学习一种是实现机器学习的技术。
2. 全连接神经网络与卷积神经网络的联系与区别。
联系：全连接神经网络和卷积神经网络都是通过一层一层的节点组织起来的，两者输入输出以及训练的流程基本一致，全连接神经网络的损失函数以及参数的优化过程适用于卷积神经网络。
区别：神经网络相邻两层的连接方式不同。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
1 import numpy as np 2 import cv2 3 from scipy.signal import convolve2d 4 5 kernel1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) 6 kernel2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) 7 kernel3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) 8 9 # Read image as single-channel 10 img = cv2.imread('cry.jpg', cv2.IMREAD_GRAYSCALE)
11 12 conv1 = convolve2d(img, kernel1, boundary='symm', mode='same') 13 conv2 = convolve2d(img, kernel2, boundary='symm', mode='same') 14 conv3 = convolve2d(img, kernel3, boundary='symm', mode='same') 15 16 cv2.imwrite('conv1.jpg', conv1) 17 cv2.imwrite('conv2.jpg', conv2) 18 cv2.imwrite('conv3.jpg', conv3)
Original: Kernel 1:
Kernel 2: Kernel 3:
5. 安装Tensorflow,keras
