作业14

补交的作业（疫情在家学习期间无电脑，之前在家时已向老师说明情况了）：

作业1：https://www.cnblogs.com/hongxinma/p/12895161.html

作业2：https://www.cnblogs.com/hongxinma/p/12895392.html

作业3：https://www.cnblogs.com/hongxinma/p/12895719.html

作业4：https://www.cnblogs.com/hongxinma/p/12900949.html

作业5：https://www.cnblogs.com/hongxinma/p/12904246.html

作业6：https://www.cnblogs.com/hongxinma/p/12908789.html

作业7：https://www.cnblogs.com/hongxinma/p/12908830.html

作业8：https://www.cnblogs.com/hongxinma/p/12908886.html

作业9：https://www.cnblogs.com/hongxinma/p/12908900.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。

答：     联系：如下图；

 

 

 

区别：

人工智能：研究领域包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。基本都集中在弱人工智能这部分。

机器学习：一种实现人工智能的方法 。并且直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等

深度学习：一种实现机器学习的技术。深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。

 

 

2. 全连接神经网络与卷积神经网络的联系与区别。

答：

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。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。除了结构相似，卷积神经网络的输入输出以及训练的流程和全连接神经网络也基本一致，以图像分类为列，卷积神经网络的输入层就是图像的原始图像，而输出层中的每一个节点代表了不同类别的可信度。
区别：全连接神经网络和卷积神经网络的唯一区别就是神经网络相邻两层的连接方式。

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

答：

 

 

 

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

答：

代码如下：

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



# 读取图像
T = Image.open(r'C:\Users\mhx\Pictures\Saved Pictures\123.jpg')
L = T.convert('L')

img=np.array(T)  # img原图
img1=np.array(L) # img1灰度图

# 卷积核进行卷积操作
T1=np.array([[1,0,-1],[1,0,-1],[1,0,-1]])       # 垂直边缘检测
T2=np.array([[1,1,1],[0,0,0],[-1,-1,-1]])       # 水平边缘检测
T3=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])  # 检测中间

#卷积核，boundary：边界填充方式，mode卷积类型
img2 = convolve2d(img1,T1,boundary='symm',mode='same')
img3 = convolve2d(img1,T2,boundary='symm',mode='same')
img4 = convolve2d(img1,T3,boundary='symm',mode='same')

# 显示卷积之后的图像
plt.matshow(img)
plt.matshow(img1)
plt.matshow(img2)
plt.matshow(img3)
plt.matshow(img4)
前：

后：

 

 

 

 

 

 

特征：在垂直边缘可以看出图片中人物的垂直方向边界特征被提取出来，更明显了，而且水平边缘检测的水平方向边界特征被提取出来，还有中心边缘检测中心边界被提取出来，而四周边界的特征被弱化了。

 

5. 安装Tensorflow,keras

参考：https://blog.csdn.net/u011119817/article/details/88309256 

答：

 

 

 

 

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()