14 深度学习-卷积

标签：style   ref   节点   idt   技术   灰度   learn   图像特征   维度   

1.简述人工智能、机器学习和深度学习三者的联系与区别。

联系：人工只能是最早出现的，其次就是机器学习，过来就是深度学习，当今人工智能大爆炸的核心驱动。相当与人工智能是一个集合，机器学习是人工智能的子集，而深度学习又是机器学习的子集。

区别：机器学习和深度学习的区别是，机器学习大部分算法需要人类自己寻找特征，而深度学习可以自动生成特征，即我们不需要告诉机器从哪些角度去学习，机器能够自己寻找角度来学习图片的信息，并对图片进行区分。

2. 全连接神经网络与卷积神经网络的联系与区别。

联系：卷积神经网络通过一层一层的节点组织起来的，和全连接神经网络一样。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。

区别：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。

全连接神经网络不适合做图像识别，卷积神经网络适合做图像识别。

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()

卷积核：

 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。

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‘pengyuyan.jpg‘)
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()

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：style   ref   节点   idt   技术   灰度   learn   图像特征   维度   

原文地址：https://www.cnblogs.com/xwc520/p/13060293.html