1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工智能是目的，是结果；深度学习、机器学习是方法，是工具；机器学习，一种实现人工智能的方法，机器学习都可以被精准地定义为：任务、训练过程、模型表现。深度学习则是一种实现机器学习的技术；他适合处理大数据。深度学习使得机器学习能够实现众多应用，并拓展了人工智能的领域范畴。
深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
2. 全连接神经网络与卷积神经网络的联系与区别。
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()
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
from PIL import Image
from pylab import *
from scipy.signal import convolve2d
mpl.rcParams['font.sans-serif'] = ['Microsoft YaHei']
a=np.array([[-1,0,1],[-2,0,2],[-1,0,1]])
b=np.array([[1,1,1],[0,0,0],[-1,-1,-1]])
c=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])
im = array(Image.open("1.jpg").convert('L'))
plt.title("原图片")
imshow(im)
cat0=convolve2d(im,a,boundary='symm',mode='same')
cat1=convolve2d(im,b,boundary='symm',mode='same')
cat2=convolve2d(im,c,boundary='symm',mode='same')
plt.title("图片cat0")
imshow(cat0)
plt.title("图片cat1")
imshow(cat1)
plt.title("图片cat2")
imshow(cat2)
5. 安装Tensorflow,keras
