机器学习十四--深度学习-卷积

Posted 2021-02-18 xiaoap

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。

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()

0	0	5	13	9	1	0	0
0	0	13	15	10	15	5	0
0	3	15	2	0	11	8	0
0	4	12	0	0	8	8	0
0	5	8	0	0	9	8	0
0	4	11	0	1	12	7	0
0	2	14	5	10	12	0	0
0	0	6	13	10	0	0	0

选取如下卷积核：

 

 第一次：使用上面的卷积核和上面矩阵中头一个3*3的矩阵进行运算

 

1*0+0*0+-1*5+1*0+0*0+-1*13+1*0+0*0+-1*15= -13

 第二次选取的矩阵往右移动一格，即，再如上和卷积核做相同的计算，得结果-27

 

第三次第四次。。。。。。都喝上面的步骤一样，和卷积核计算得出结果

.。。。。。

当移动到前三行的最后三列时，得结果27，以上结果记为一行，即

于是往下一列，从左开始做上述计算，每次移动完后就向下一列从左边开始计算，移动到最后一列后计算完，这个过程便结束，结果如下：

 

 

读取一个图像；
4.理解卷积如何提取图像特征。

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）导入相关的包

from PIL import Image
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
from scipy.signal import convolve2d

（2）读取图片，并做卷积运算

#读取图片，转换图片模式
I = Image.open(r‘C:UserszengkPicturesCamera Roll
irvana.jpg‘)
L = I.convert(‘L‘)

imgg = np.array(L)

#三种卷积核
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]])
# k4 = np.array([[1,1,1],[-1,-1,-1],[1,1,1]])

#卷积计算
img1 = convolve2d(imgg,k1,boundary=‘symm‘,mode=‘same‘)
img2 = convolve2d(imgg,k2,boundary=‘symm‘,mode=‘same‘)
img3 = convolve2d(imgg,k3,boundary=‘symm‘,mode=‘same‘)

#显示图片
plt.matshow(img)
plt.matshow(img1)
plt.matshow(img2)
plt.matshow(img3)

（3）结果及观察：

原图如下：

 

1	0	-1
1	0	-1
1	0	-1

 

 

 

 

此卷积核下计算出来的图像如下

 

 从此图中可以观察出，主要是纵向的线条较为明显，比如两人物的头发和衣物以及左边人物的鼻梁，较为明显

 

1	1	1
0	0	0
-1	-1	-1

 

 

 

 

此卷积核下的卷积结果如下：

 

 
 从此图中可以观察出，主要是横向的线条较为明显，比如左边人物的发际线、肩膀，上图只能看到鼻梁的鼻子在这里能观察到鼻孔位置，还有最下面的几个躺着的人的腿。

-1	-1	-1
-1	8	-1
-1	-1	-1

 

 

 

此卷积核下的卷积结果如下：

 这个图主要就是一些边缘的特征提取

 

 

5. 安装Tensorflow,keras

参考：https://blog.csdn.net/u011119817/article/details/88309256 

6. 设计手写数字识别模型结构，注意数据维度的变化。

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense， Flatten, Conv2D, MaxPool2D

model = tf.keras.Sequential()

model.add(Conv2D(…))

model.add(MaxPool2D(…))

...

#可以上传手动演算的每层数据结构的变化过程。model.summary() 

 

参考：

https://www.jianshu.com/p/afe485aa08ce

https://blog.csdn.net/junjun150013652/article/details/82217571