深度学习-卷积

Posted 2020-12-07 cong1

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