14 深度学习-卷积

cherry0

2020-06-06

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

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、zhi延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括语音识别、图像识别、机器人、自然语言处理、智能搜索和专家系统等。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也有可能超过人的智能。

数据挖掘

数据挖掘(Data Mining)，顾名思义就是从海量数据中“挖掘”隐藏信息，按照教科书的说法，这里的数据是“大量的、不完全的、有噪声的、模糊的、随机的实际应用数据”，信息指的是“隐含的、规律性的、人们事先未知的、但又是潜在有用的并且最终可理解的信息和知识”。在商业环境中，企业希望让存放在数据库中的数据能“说话”，支持决策。所以，数据挖掘更偏向应用。
数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。

机器学习

机器学习(Machine Learning)是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。

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。

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，以图像分类为列，卷积神经网络的输入层就是图像的原始图像，而输出层中的每一个节点代表了不同类别的可信度。这和全连接神经网络的输入输出是一致的。类似的，全连接神经网络的损失函数以及参数的优化过程也都适用于卷积神经网络。因此，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()

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。

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

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

# 读取图像
A = Image.open(r‘C:\Users\mhx\Pictures\Saved Pictures\cr7.jpg‘)
B = A.convert(‘L‘)

pic=np.array(A) # img原图
pic1=np.array(B) # img1灰度图

# 卷积核进行卷积操作
A1=np.array([[1,0,-1],[1,0,-1],[1,0,-1]]) # 垂直边缘检测
A2=np.array([[1,1,1],[0,0,0],[-1,-1,-1]]) # 水平边缘检测
A3=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]) # 检测中间

#卷积核，boundary：边界填充方式，mode卷积类型
pic2 = convolve2d(pic1,A1,boundary=‘symm‘,mode=‘same‘)
pic3 = convolve2d(pic1,A2,boundary=‘symm‘,mode=‘same‘)
pic4 = convolve2d(pic1,A3,boundary=‘symm‘,mode=‘same‘)

# 显示卷积之后的图像

plt.matshow(pic1)
plt.matshow(pic2)
plt.matshow(pic3)
plt.matshow(pic4)
pylab.show()

14 深度学习-卷积