14 深度学习-卷积

标签：sig   height   display   一个   body   卷积神经网络   ras   spl   展示   

1.简述人工智能、机器学习和深度学习三者的联系与区别。

解析：人工智能是机器诠释的人类智能，是机器学习和深度学习后想实现的结果和目的，机器学习是实现人工智能的方法，深度学习是机器学习算法中的一种算法，一种实现机器学习的技术和学习方法。

2. 全连接神经网络与卷积神经网络的联系与区别。

解析：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。

由于卷积神经网络使用权重共享，使用较少的参数，这使得卷积神经网络网络结构一般层数比较多，这是全连接网络无法具有的特性。

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

from sklearn.datasets import load_digits #小数据集8*8
import numpy as np
# digits = load_digits()
# digits.data[0]
from PIL import Image
from pylab import *
from scipy.signal import convolve2d
k=np.array([[-1,0,1],[-2,0,2],[-1,0,1]])

im = array(Image.open("D:/image.jpg").convert(‘L‘))
imshow(im)
cat0=convolve2d(im,k,boundary=‘symm‘,mode=‘same‘)
imshow(cat0)

5. 安装Tensorflow,keras

14 深度学习-卷积

标签：sig   height   display   一个   body   卷积神经网络   ras   spl   展示   

原文地址：https://www.cnblogs.com/chock/p/13024162.html