14 深度学习-卷积

1.简述人工智能、机器学习和深度学习三者的联系与区别。

　　人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等；机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能；深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

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

实验源码：

 1 from PIL import Image
 2 from scipy.signal import convolve2d
 3 import numpy as np
 4 import matplotlib.pyplot as plt
 5 from pylab import mpl
 6 mpl.rcParams['font.sans-serif'] = ['SimHei']
 7 image = Image.open(r"./Faye Wong.jpg")
 8 p = image.convert("L")
 9 k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
10 k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])
11 k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])
12 k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
13 pg0 = convolve2d(p, k, boundary='symm', mode='same')
14 pg1 = convolve2d(p, k1, boundary='symm', mode='same')
15 pg2 = convolve2d(p, k2, boundary='symm', mode='same')
16 pg3 = convolve2d(p, k3, boundary='symm', mode='same')
17 
18 plt.imshow(p)
19 plt.imshow(pg0)
20 plt.imshow(pg1)
21 plt.imshow(pg2)
22 plt.imshow(pg3)

　　　　　　　　　　　　　 原图图1

　　　　　　　　　　　　图 2 图3

　　　　　　　　　　　　图4

5. 安装Tensorflow,keras