1.简述人工智能、机器学习和深度学习三者的联系与区别。
答:人工智能赋予机器人的智能,机器学习一种是实现人工智能的方法,深度学习是一种机器学习的技术。
2. 全连接神经网络与卷积神经网络的联系与区别。
答: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;卷积神经网络,相邻两层之间只有部分节点相连。
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 |
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 scipy.signal import convolve2d import numpy as np from PIL import Image import matplotlib.pyplot as plt I=Image.open(r'H:python201706120179毛伟钊.jpg') I.show() L=I.convert('L') L.show() c=np.array(I) cg=np.array(L) 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]]) duolaAmeng1=convolve2d(cg,k1,boundary='symm',mode='same') duolaAmeng2=convolve2d(cg,k2,boundary='symm',mode='same') duolaAmeng3=convolve2d(cg,k3,boundary='symm',mode='same') plt.matshow(duolaAmeng1) plt.show() plt.matshow(duolaAmeng2) plt.show() plt.matshow(duolaAmeng3) plt.show()
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