机器学习---13

1.简述人工智能、机器学习和深度学习三者的联系与区别。

　　搞清三者关系的最简单方法，就是把它们想象成一个同心圆，其中人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习，不过却是如今人工智能爆炸式发展的根源，处于前两者的范围之内。

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

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

结果：

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。

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

A = Image.open(r'C:Users曾梓楷Desktop曾梓楷.png')
L = A.convert('L')
yuantu = np.array(A)  # 原图
huidutu = np.array(L)  # 灰度图

k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])  # 垂直边缘检查
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]])

p1 = convolve2d(huidutu, k1, boundary='symm', mode='same')
p2 = convolve2d(huidutu, k2, boundary='symm', mode='same')
p3 = convolve2d(huidutu, k3, boundary='symm', mode='same')

plt.matshow(p1)
plt.matshow(p2)
plt.matshow(p3)
pylab.show()