14 深度学习-卷积

标签：解决   操作   ref   com   卷积神经网络   之间   flatten   alt   rom   

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：凡是机器做了人需要动脑才能完成的事情，都可以称为人工智能；

机器学习：如果一个系统能够通过执行某个过程改进它的性能，就是机器学习；

深度学习：深度学习可以看作是特殊的机器学习，我们可以利用深度学习来解决大部分需要思考的问题。

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，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。所以得出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。

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‘D:/A/laoba.jpeg‘)
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()

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() 

14 深度学习-卷积

标签：解决   操作   ref   com   卷积神经网络   之间   flatten   alt   rom   

原文地址：https://www.cnblogs.com/zghs/p/13061668.html