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。

技术图片

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()

技术图片

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
 
= Image.open(r‘C:Userslucas-lywDesktop img.jpg‘)
= I.convert(‘L‘)
 
pig = np.array(I)
pigg = np.array(L)
 
k1 = np.array([[10-1], [10-1], [10-1]])
k2 = np.array([[111], [000], [-1-1-1]])
k3 = np.array([[-1-1-1], [-18-1], [-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)

  技术图片

技术图片

技术图片

 

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

深度学习保姆级教程(附代码+数据)

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)

深度学习面试题24:在每个深度上分别卷积(depthwise卷积)

深度学习面试题25:分离卷积(separable卷积)

深度学习面试题25:分离卷积(separable卷积)

「深度学习一遍过」必修14:基于pytorch研究深度可分离卷积与正常卷积的性能差异