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。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等；机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能；深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
2. 全连接神经网络与卷积神经网络的联系与区别。
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。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
实验源码：
1 from PIL import Image 2 from scipy.signal import convolve2d 3 import numpy as np 4 import matplotlib.pyplot as plt 5 from pylab import mpl 6 mpl.rcParams['font.sans-serif'] = ['SimHei'] 7 image = Image.open(r"./Faye Wong.jpg") 8 p = image.convert("L") 9 k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) 10 k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) 11 k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) 12 k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) 13 pg0 = convolve2d(p, k, boundary='symm', mode='same') 14 pg1 = convolve2d(p, k1, boundary='symm', mode='same') 15 pg2 = convolve2d(p, k2, boundary='symm', mode='same') 16 pg3 = convolve2d(p, k3, boundary='symm', mode='same') 17 18 plt.imshow(p) 19 plt.imshow(pg0) 20 plt.imshow(pg1) 21 plt.imshow(pg2) 22 plt.imshow(pg3)
原图 图1
图 2 图3
图4
5. 安装Tensorflow,keras
