1.简述人工智能、机器学习和深度学习三者的联系与区别。
解析：人工智能是目的，是结果；机器学习、深度学习是方法，是工具。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。
2. 全连接神经网络与卷积神经网络的联系与区别。
解析：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。
3.理解卷积计算。
以digit0为例，进行手工演算。
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 |
实现代码如下：
from PIL import Image import matplotlib.pyplot as plt import numpy as np from scipy.signal import convolve2d plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示 I = Image.open(r'C:UsersasusDesktop 15.jpg') L = I.convert('L') image = np.array(I) images = np.array(L) # 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 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]]) # 浮雕 # image = convolve2d(images, k, boundary='symm', mode='same') image1 = convolve2d(images, k1, boundary='symm', mode='same') # 垂直边缘 image2 = convolve2d(images, k2, boundary='symm', mode='same') # 水平边缘 image3 = convolve2d(images, k3, boundary='symm', mode='same') # 浮雕 plt.imshow(image) # 原图 plt.title("原图") plt.figure(figsize=(12, 6)) # 定制大小画布 plt.suptitle("卷积操作") plt.subplot(1, 3, 1) # 放置的一行三列，位置1 plt.imshow(image1) # 垂直边缘 plt.title("垂直边缘") plt.subplot(1, 3, 2) # 放置的一行三列，位置2 plt.imshow(image2) # 水平边缘 plt.title("水平边缘") plt.subplot(1, 3, 3) # 放置的一行三列，位置3 plt.imshow(image3) # 浮雕 plt.title("浮雕")
测试结果如下：
卷积处理前的原图如下：
处理后的效果如下：
