机器学习 十三

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。

人工智能的范围可以说很大、很泛，从表面上可以理解为机器的智能化，让机器像人一样能解决思考解决问题。简而言之，机器学习和深度学习是人工智能的两个关键的技，看人工智能的发展历史，人工智能三大研究内容：计算机模仿人类的思考，对环境的感知和动作的实现是人工智能的三大研究内容。

机器学习是一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。其之所以现在这么火，是因为在大数据的环境下，人们对算法和人脑结构的模拟，让机器从数据和知识中学习到有用的知识，如语音识别、图像识别等都是机器学习的结果。

深度学习仅仅实现神经网络的层面上提到的网络的层数更多，网络的神经元个数更多的网络，就是能从深层次的挖掘数据知识。

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()

 

 

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 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:\Users\15108\Desktop\test\timg.jpg')
L = I.convert('L')

image = np.array(I)
images = np.array(L)
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

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")
plt.show()

　

 

 

 

 

5. 安装Tensorflow,keras