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:
- 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:
- 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 | 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 |
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()
原图
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()
参考:
https://www.jianshu.com/p/afe485aa08ce
https://blog.csdn.net/junjun150013652/article/details/82217571