14深度学习-卷积

Posted 226aa

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。

 

联系:深度学习使得机器学习能够实现众多应用,并拓展了人工智能的领域范畴。

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;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。

 

2. 全连接神经网络与卷积神经网络的联系与区别。

联系:

  全连接神经网络与卷积神经网络都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;

  全连接神经网络与卷积神经网络的输入和输出的过程都是一样的。

区别:

  全连接神经网络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;

  卷积神经网络相邻两层之间的节点只有部分相连,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。

技术图片

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

技术图片
from PIL import Image
from scipy.signal import convolve2d
import numpy as np
import matplotlib.pyplot as plt

I = Image.open(r‘./china.jpg‘)
L = I.convert(‘L‘)
image = np.array(I)
imageg = np.array(L)

# 卷积矩阵
k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])  # 垂直边缘检测
k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])  # 水平边缘
k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])

# 卷积图像
img0 = convolve2d(imageg, k, boundary=‘symm‘, mode=‘same‘)
img1 = convolve2d(imageg, k1, boundary=‘symm‘, mode=‘same‘)
img2 = convolve2d(imageg, k2, boundary=‘symm‘, mode=‘same‘)
img3 = convolve2d(imageg, k3, boundary=‘symm‘, mode=‘same‘)

plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.title("原图片")
plt.imshow(image)

plt.title("灰度图")
plt.imshow(imageg)
plt.matshow(img0) plt.matshow(img1) plt.matshow(img2) plt.matshow(img3)
技术图片

效果:    

    技术图片

    技术图片

 

  卷积图如下:

    技术图片

    技术图片  

    技术图片

    技术图片

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

14 深度学习-卷积

14深度学习-卷积

14深度学习-卷积

14深度学习-卷积

14深度学习-卷积

14 深度学习-卷积