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。
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)
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