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：人工智能是机器展现的人类智能，机器学习是实现人工智能的一种方法，深度学习是实现机器学习的一种技术；

机器学习和深度学习是人工智能的技，深度学习使得机器学习乃至人工智能整个领域出现了众多实际应用。

2. 全连接神经网络与卷积神经网络的联系与区别。

　　答: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；

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()

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

　　答:

 


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

　　答:

代码：

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

I = Image.open(r'E:/da3xia/jiqixuexi/tpys.jpg')
L = I.convert('L')

yuantu = np.array(I)    #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(yuantu)
plt.matshow(p1)
plt.matshow(p2)
plt.matshow(p3)
pylab.show()

原图:

卷积后:

5. 安装Tensorflow,keras

参考：https://blog.csdn.net/u011119817/article/details/88309256 

　　答：

 

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