14 深度学习-卷积

Posted chock

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了14 深度学习-卷积相关的知识,希望对你有一定的参考价值。

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。

技术图片

 

 

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 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)

 技术图片

技术图片

 

 

技术图片

 

 技术图片

 

技术图片

 

 

 

5. 安装Tensorflow,keras

以上是关于14 深度学习-卷积的主要内容,如果未能解决你的问题,请参考以下文章

14 深度学习-卷积

14深度学习-卷积

14深度学习-卷积

14深度学习-卷积

14深度学习-卷积

14 深度学习-卷积