深度学习-卷积
1.机器学习概述
https://www.cnblogs.com/cong1/p/13140324.html
5.线性回归算法
https://www.cnblogs.com/cong1/p/13140320.html
6.逻辑归回
https://www.cnblogs.com/cong1/p/13140314.html
7.线性回归实践
https://www.cnblogs.com/cong1/p/13140309.html
8.特征选择
https://www.cnblogs.com/cong1/p/13140302.html
11.分类与监督学习，朴素贝叶斯分类算法
https://www.cnblogs.com/cong1/p/13140096.html
12.朴素贝叶斯-垃圾邮件分类
https://www.cnblogs.com/cong1/p/13140087.html
13.垃圾邮件分类
https://www.cnblogs.com/cong1/p/13140074.html
1.简述人工智能、机器学习和深度学习三者的联系与区别。
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()
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
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
from PIL import Imageimport matplotlib.pyplot as pltimport numpy as npfrom scipy.signal import convolve2dI = Image.open(r'C:\Users\lucas-lyw\Desktop\timg.jpg')L = I.convert('L')pig = np.array(I)pigg = np.array(L)k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])pig1 = convolve2d(pigg, k1, boundary='symm', mode='same')pig2 = convolve2d(pigg, k2, boundary='symm', mode='same')pig3 = convolve2d(pigg, k3, boundary='symm', mode='same')plt.matshow(pig1)plt.matshow(pig2)plt.matshow(pig3) |
5. 安装Tensorflow,keras
