深度学习-卷积
Posted cong1
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。
2. 全连接神经网络与卷积神经网络的联系与区别。
全连接神经网络和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。
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
from PIL import Image import matplotlib.pyplot as plt import numpy as np from scipy.signal import convolve2d I = Image. open (r ‘C:Userslucas-lywDesktop img.jpg‘ ) L = I.convert( ‘L‘ ) pig = np.array(I) pigg = np.array(L) 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 ]]) pig1 = convolve2d(pigg, k1, boundary = ‘symm‘ , mode = ‘same‘ ) pig2 = convolve2d(pigg, k2, boundary = ‘symm‘ , mode = ‘same‘ ) pig3 = convolve2d(pigg, k3, boundary = ‘symm‘ , mode = ‘same‘ ) plt.matshow(pig1) plt.matshow(pig2) plt.matshow(pig3) |
5. 安装Tensorflow,keras
以上是关于深度学习-卷积的主要内容,如果未能解决你的问题,请参考以下文章
深度学习中常用的几种卷积(上篇):标准二维卷积转置卷积1*1卷积(附Pytorch测试代码)