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。

人工智能是最早出现的,其次是机器学习最后是深度学习,当今人工智能大爆炸的核心驱动。

     14 深度学习-卷积

区别和联系:

14 深度学习-卷积

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()

14 深度学习-卷积

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。

10-1
10-1
10-1
111
000
-1-1-1
-1-1-1
-18-1
-1-1-1

卷积API

scipy.signal.convolve2d

tf.keras.layers.Conv2D

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

I = Image.open(r‘./china.jpg‘)
L = I.convert(‘L‘)
image = np.array(I)
imageg = np.array(L)

# 卷积矩阵
k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])  # 垂直边缘检测
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]])

# 卷积图像
img0 = convolve2d(imageg, k, boundary=‘symm‘, mode=‘same‘)
img1 = convolve2d(imageg, k1, boundary=‘symm‘, mode=‘same‘)
img2 = convolve2d(imageg, k2, boundary=‘symm‘, mode=‘same‘)
img3 = convolve2d(imageg, k3, boundary=‘symm‘, mode=‘same‘)

plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.title("原图片")
plt.imshow(image)

plt.title("灰度图")
plt.imshow(imageg)
plt.matshow(img0)
plt.matshow(img1)
plt.matshow(img2)
plt.matshow(img3)

效果:    

  14 深度学习-卷积

  14 深度学习-卷积

卷积图如下:

  14 深度学习-卷积

  14 深度学习-卷积  

  14 深度学习-卷积

  14 深度学习-卷积

5. 安装Tensorflow,keras

14 深度学习-卷积

相关推荐