13.深度学习-卷积
Posted seele233
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13.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。
人工智能是目的,是结果。
深度学习、机器学习是方法、是工具。
机器学习,一种实现人工智能的方法;机器学习都可以精准地被定义为:1任务T;2.训练过程E;3.模型表现P。
深度学习则是一种实现机器学习的技术;它适合处理大数据。
深度学习使得机器学习能过实现众多应用,并拓展了人工智能的领域范畴。
2. 全连接神经网络与卷积神经网络的联系与区别。
联系:全连接神经网络和卷积神经网络都是通过一层一层的节点组织起来的,两者输入输出以及训练的流程基本一致,全连接神经网络的损失函数以及参数的优化过程适用于卷积神经网络。
区别:神经网络相邻两层的连接方式不同。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
import numpy as np from scipy.signal import convolve2d from PIL import Image import matplotlib.pyplot as plt 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]]) img = Image.open(‘D:/seele.jpg‘) img_1=img.convert("L") img = np.array(img) img_1 = np.array(img_1) m1=convolve2d(img_1,k1,boundary=‘symm‘,mode=‘same‘) m2=convolve2d(img_1,k2,boundary=‘symm‘,mode=‘same‘) m3=convolve2d(img_1,k3,boundary=‘symm‘,mode=‘same‘) plt.imshow(img) plt.matshow(img_1) plt.matshow(m1) plt.matshow(m2) plt.matshow(m3)
5. 安装Tensorflow,keras
以上是关于13.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100例 - 卷积神经网络(Inception V3)识别手语 | 第13天