标签:图像特征 开始 max 显示 提取 安装 联系 vol ict
1.简述人工智能、机器学习和深度学习三者的联系与区别。
2. 全连接神经网络与卷积神经网络的联系与区别。
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 |
选取如下卷积核:
第一次:使用上面的卷积核和上面矩阵中头一个3*3的矩阵进行运算
1*0+0*0+-1*5+1*0+0*0+-1*13+1*0+0*0+-1*15= -13
第二次选取的矩阵往右移动一格,即,再如上和卷积核做相同的计算,得结果-27
第三次第四次。。。。。。都喝上面的步骤一样,和卷积核计算得出结果
.。。。。。
当移动到前三行的最后三列时,得结果27,以上结果记为一行,即
于是往下一列,从左开始做上述计算,每次移动完后就向下一列从左边开始计算,移动到最后一列后计算完,这个过程便结束,结果如下:
读取一个图像;
4.理解卷积如何提取图像特征。
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
(1)导入相关的包
from PIL import Image import matplotlib.pyplot as plt %matplotlib inline import numpy as np from scipy.signal import convolve2d
(2)读取图片,并做卷积运算
#读取图片,转换图片模式 I = Image.open(r‘C:\Users\zengk\Pictures\Camera Roll\nirvana.jpg‘) L = I.convert(‘L‘) imgg = np.array(L) #三种卷积核 k1 = np.array([[1,0,-1],[1,0,-1],[1,0,-1]]) k2 = np.array([[1,1,1],[0,0,0],[-1,-1,-1]]) k3 = np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]) # k4 = np.array([[1,1,1],[-1,-1,-1],[1,1,1]]) #卷积计算 img1 = convolve2d(imgg,k1,boundary=‘symm‘,mode=‘same‘) img2 = convolve2d(imgg,k2,boundary=‘symm‘,mode=‘same‘) img3 = convolve2d(imgg,k3,boundary=‘symm‘,mode=‘same‘) #显示图片 plt.matshow(img) plt.matshow(img1) plt.matshow(img2) plt.matshow(img3)
(3)结果及观察:
原图如下:
1 | 0 | -1 |
1 | 0 | -1 |
1 | 0 | -1 |
此卷积核下计算出来的图像如下
从此图中可以观察出,主要是纵向的线条较为明显,比如两人物的头发和衣物以及左边人物的鼻梁,较为明显
1 | 1 | 1 |
0 | 0 | 0 |
-1 | -1 | -1 |
此卷积核下的卷积结果如下:
从此图中可以观察出,主要是横向的线条较为明显,比如左边人物的发际线、肩膀,上图只能看到鼻梁的鼻子在这里能观察到鼻孔位置,还有最下面的几个躺着的人的腿。
-1 | -1 | -1 |
-1 | 8 | -1 |
-1 | -1 | -1 |
此卷积核下的卷积结果如下:
这个图主要就是一些边缘的特征提取
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()
参考:
https://www.jianshu.com/p/afe485aa08ce
https://blog.csdn.net/junjun150013652/article/details/82217571
标签:图像特征 开始 max 显示 提取 安装 联系 vol ict
原文地址:https://www.cnblogs.com/xiaoAP/p/13055310.html