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。
2. 全连接神经网络与卷积神经网络的联系与区别。
答： 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，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。
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：
| 1 | 0 | -1 |
| 1 | 0 | -1 |
| 1 | 0 | -1 |
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。
实验代码：
1 from PIL import Image 2 import matplotlib.pyplot as plt 3 import numpy as np 4 import pylab 5 from scipy.signal import convolve2d 6 7 I = Image.open(r'C:/Users/23625/Desktop/机器学习/项目/data/e.jpg') 8 L = I.convert('L') 9 10 e = np.array(I) # 原图 11 eg = np.array(L) # 灰度图 12 13 k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) # 垂直边缘检查 14 k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) # 水平边缘 15 k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) 16 17 p1 = convolve2d(eg, k1, boundary='symm', mode='same') 18 p2 = convolve2d(eg, k2, boundary='symm', mode='same') 19 p3 = convolve2d(eg, k3, boundary='symm', mode='same') 20 21 plt.matshow(p1) 22 plt.matshow(p2) 23 plt.matshow(p3) 24 pylab.show()
原图：
| 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
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(…))
...
