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，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，也是当今人工智能大爆炸的核心驱动。
联系：AI 目前主要用于描述一些可以进行智能化行为的设备或机器，机器学习是它的子集，而深度学习是机器学习的一个子集。
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，深度学习是一种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： 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。
区别：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
读取一个照片
卷积计算后
代码如下：
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"./24.jpg")
img_1=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]])
cat0 = convolve2d(img_1,k,boundary='symm',mode='same')
cat1 = convolve2d(img_1,k1,boundary='symm',mode='same')
cat2 = convolve2d(img_1,k2,boundary='symm',mode='same')
plt.imshow(image)
#查看图片
plt.show()
plt.imshow(img_1)
#查看图片
plt.show()
plt.imshow(cat0)
#查看图片
plt.show()
plt.imshow(cat1)
#查看图片
plt.show()
plt.imshow(cat2)
#查看图片
plt.show()
5. 安装Tensorflow,keras
安装成功
