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。

  AI是设备或机器的总体描述，它以智能的方式运行，机器学习作为其子集，深度学习作为机器学习的子集。换句话说，机器学习和深度学习被归类为AI，但AI不一定是机器学习或深度学习。

 

2. 全连接神经网络与卷积神经网络的联系与区别。

  DNN是指深度神经网络，它是一个很广的概念，某种意义上CNN、RNN、GAN等都属于其范畴之内。DNN与CNN（卷积神经网络）的区别是DNN特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。

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

 

1	0	-1
1	0	-1
1	0	-1

 

-33	-27	14	3	6	27
-40	-10	-30	-17	-11	34
-35	10	35	-26	-24	28
-31	13	-30	-28	-22	29
-33	-6	22	-28	-4	33
-31	-12	10	-6	14	24

 

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

 代码：

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

I = Image.open(r'E:/作业/大三上/人工智能/works/robot/8/test.jfif')
L = I.convert('L')
e = np.array(I)  # 原图
eg = np.array(L)  # 灰度图

k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])  # 垂直边缘检查
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]])

p1 = convolve2d(eg, k1, boundary='symm', mode='same')
p2 = convolve2d(eg, k2, boundary='symm', mode='same')
p3 = convolve2d(eg, k3, boundary='symm', mode='same')

I.show()
plt.matshow(p1)
plt.matshow(p2)
plt.matshow(p3)
plt.show()
原图：

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

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：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D
import os

# 建立模型
model = Sequential()

# 一层卷积
model.add(
     Conv2D(
         filters=16, # 卷积核种类
         kernel_size=(3, 3),    # 卷积核大小
         padding='same',
         input_shape=(28, 28, 1),
         activation='relu'))
# 池化层1
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

# 二层卷积
model.add(
     Conv2D(
         filters=32,
         kernel_size=(3, 3),
         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=128,
         kernel_size=(3, 3),
         padding='same',
         activation='relu'))

model.add(Flatten())  # 平坦层
model.add(Dense(128, activation='relu'))  # 全连接层
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax')) # 激活函数

model.summary()

参考：

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

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