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。

答：

联系：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。

人工智能包含了机器学习，机器学习包含了深度学习，其中人工智能出现得最早。

区别：机器学习和深度学习的区别是，机器学习大部分算法需要人类自己寻找特征，而深度学习可以自动生成特征，即我们不需要告诉机器从哪些角度去学习，机器能够自己寻找角度来学习图片的信息，并对图片进行区分。

2. 全连接神经网络与卷积神经网络的联系与区别。

联系：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。

区别：

全连接神经网络：

不适合做图像识别

参数数量太多
没有利用像素之间的位置信息
网络层数限制

卷积神经网络：

适合做图像识别：

局部连接
权值共享
下采样

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	5	13	9	1	0
0	13	15	10	15	5
3	15	2	0	11	8
4	12	0	0	8	8
5	8	0	0	9	8
4	11	0	1	12	7
2	14	5	10	12	0
0	6	13	10	0	0

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

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

I = Image.open(r'C:/Users/86186/Desktop/大三下/机器学习/Daomei.jpg')
L = I.convert('L')

dao = np.array(I)  # 原图
daohui = np.array(L)  # 灰度图

# 垂直边缘检查
k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])
# 水平边缘
k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])
k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])

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

plt.matshow(dao)  # 显示原图
plt.matshow(p1)
plt.matshow(p2)
plt.matshow(p3)
pylab.show()