第十四次作业-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：

人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。

搞清三者关系的最简单方法，就是把它们想象成一个同心圆，其中人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习，不过却是如今人工智能爆炸式发展的根源，处于前两者的范围之内。

 

 

 

 

 

2. 全连接神经网络与卷积神经网络的联系与区别。

答：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。这和全连接神经网络的输入输出是一致的。类似的，全连接神经网络的损失函数以及参数的优化过程也都适用于卷积神经网络。因此，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

卷积核：

 结果：

 

 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：

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

I = Image.open(r'pengyuyan.jpg')
L = I.convert('L')

imge = np.array(I)  # 原图
image = np.array(L)  # 灰度图

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

img1 = convolve2d(image, k1, boundary='symm', mode='same')
img2 = convolve2d(image, k2, boundary='symm', mode='same')
img3 = convolve2d(image, k3, boundary='symm', mode='same')

plt.matshow(imge)
plt.matshow(image)
plt.matshow(img1)
plt.matshow(img2)
plt.matshow(img3)
pylab.show()

 

 

 

 

 

 

 

 

 

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()

答：

 

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D

# 建立模型
model = Sequential()
model.add(Conv2D(filters=16, kernel_size=(3, 3), padding='same',input_shape=(28, 28, 1), activation='relu')) 
model.add(MaxPool2D(pool_size=(2, 2)))  
model.add(Dropout(0.25))
model.add(Conv2D(filters=32, kernel_size=(3, 3), padding='same', activation='relu'))  
model.add(MaxPool2D(pool_size=(2, 2)))  
model.add(Dropout(0.25))
model.add(Conv2D(filters=64, kernel_size=(3, 3), padding='same', activation='relu'))  

model.add(Flatten())  
model.add(Dense(110, activation='relu')) 
model.add(Dropout(0.25))
model.add(Dense(10, activation='softmax'))  

model.summary()