作业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：机器展现的人类智能

机器学习：实现人工智能的一种方法

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

深度学习：实现机器学习的一种技术

深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。

2. 全连接神经网络与卷积神经网络的联系与区别。

联系：

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基本一致。

卷积神经网络也是通过一层一层的节点组织起来的，与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。

区别：神经网络相邻两层的连接方式

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

Valid类型：（8-3）/1+1=6 ，即为6*6矩阵

Same类型卷积计算：进行补0，卷积运算后还是8*8矩阵

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

源代码：

 1 # 使用卷积提取图像特征
 2 from PIL import Image
 3 import matplotlib.pyplot as plt
 4 import numpy as np
 5 from pylab import mpl
 6 from scipy.signal import convolve2d  # 二维卷积
 7 mpl.rcParams['font.sans-serif'] = ['SimHei']  # 字体
 8 
 9 # 读取图像
10 I = Image.open("./data/test.jpg")  # 读取图片
11 L = I.convert('L')   # 转换为灰度图
12 image1=np.array(I)  # 将原图转换为数组
13 image2=np.array(L)  # 将灰度图转换为数组
14 plt.title("原图")
15 plt.matshow(image1)  # 显示原图
16 plt.title("灰度图")
17 plt.matshow(image2)  # 显示灰度图
18 
19 # 进行卷积操作
20 k1=np.array([[1,0,-1],[1,0,-1],[1,0,-1]])       # 垂直边缘检测
21 k2=np.array([[1,1,1],[0,0,0],[-1,-1,-1]])       # 水平边缘检测
22 k3=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])
23 img1 = convolve2d(image2,k1,boundary='symm',mode='same')  # 垂直边缘
24 img2 = convolve2d(image2,k2,boundary='symm',mode='same')  # 水平边缘
25 img3 = convolve2d(image2,k3,boundary='symm',mode='same')  # 图像边缘
26 
27 # 显示卷积运算后的图像
28 plt.title("垂直边缘探测")
29 plt.matshow(img1)
30 plt.title("水平边缘探测")
31 plt.matshow(img2)
32 plt.title("图像边缘探测")
33 plt.matshow(img3)