1.简述人工智能、机器学习和深度学习三者的联系与区别。
人工智能包含了机器学习，机器学习包含了深度学习，其中人工智能出现得最早。举例而言，如果想让机器区分一张图片中是猫还是狗，我们可以使用人工智能来解决，那么如何区分则可以使用机器学习的方法，通过对大量猫和狗的图片数据进行学习，经过算法处理生成模型，来预测一张新的图片中的动物究竟是猫还是狗。
机器学习和深度学习的区别是，机器学习大部分算法需要人类自己寻找特征，在上述例子中，我们需要告诉机器具体从哪方面去学习图片中的动物是猫还是狗，如告诉机器可以从毛发颜色（即特征）的角度去学习，图片中的猫的毛发是白色的，图片中的狗的毛发是黄色的，机器通过这些人类告诉它的特征信息进行学习，并对新的图片中的猫和狗进行区分。而深度学习可以自动生成特征，即我们不需要告诉机器从哪些角度去学习，机器能够自己寻找角度来学习图片的信息，并对图片进行区分。但是深度学习也需要更多的数据，才能得到准确的结果。
2. 全连接神经网络与卷积神经网络的联系与区别。
卷积神经网络也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。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。
除了结构相似，卷积神经网络的输入输出以及训练的流程和全连接神经网络也基本一致，以图像分类为列，卷积神经网络的输入层就是图像的原始图像，而输出层中的每一个节点代表了不同类别的可信度。这和全连接神经网络的输入输出是一致的。类似的，全连接神经网络的损失函数以及参数的优化过程也都适用于卷积神经网络。因此，全连接神经网络和卷积神经网络的唯一区别就是神经网络相邻两层的连接方式。
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
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)
效果：
