14 深度学习-卷积

补交作业：第十二次作业--垃圾邮件分类：https://www.cnblogs.com/sgczw/p/13060726.html

                  第十三次作业--垃圾邮件分类2：https://www.cnblogs.com/sgczw/p/13060743.html

                （这两个作业电脑显卡炸了，返厂修了两周，所以没有完成，只能在手机上直播课，谢谢老师）

                  第六次作业--逻辑回归：https://www.cnblogs.com/sgczw/p/12759682.html （这个作业我4月23日就已经弄好了，但是忘记交了，老师可以查看一下这篇博客的日期）

 

 

1.简述人工智能、机器学习和深度学习三者的联系与区别。

人工只能包括了机器学习和深度学习，而机器学习又包含了深度学习。人工智能是目的，是结果；深度学习、机器学习是方法，是工具；机器学习是一种实现人工智能的方法，机器学习直接来源于早期的人工智能领域。深度学习是一种实现机器学习的技术，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。深度学习，给人工智能以璀璨的未来。

 

2. 全连接神经网络与卷积神经网络的联系与区别。

全连接神经网络和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	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

 

 

 

 

 

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

import matplotlib.pyplot as plt
import numpy as np
from scipy.signal import convolve2d
from PIL import Image
# 读取一张图片
image = Image.open(r"D:/education/wonderwoman.jpg")

catH=image.convert("L")

k=np.array([[-1,0,1],[-2,0,2],[-1,0,1]] )#垂直边缘
k1=np.array([[-1,0,1],[-2,0,2],[-1,0,1]])#水平边缘
k2=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])
p1 = convolve2d(catH,k,boundary='symm',mode='same')
p2 = convolve2d(catH,k2,boundary='symm',mode='same')

plt.imshow(image)
#查看图片
plt.show()

plt.imshow(p1)
#查看图片
plt.show()


plt.imshow(p2)
#查看图片
plt.show()

 

 

 

 

 

 

 

 

 

 

 

5. 安装Tensorflow,keras