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。

答:

联系: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。

人工智能包含了机器学习,机器学习包含了深度学习,其中人工智能出现得最早。

区别:机器学习和深度学习的区别是,机器学习大部分算法需要人类自己寻找特征,而深度学习可以自动生成特征,即我们不需要告诉机器从哪些角度去学习,机器能够自己寻找角度来学习图片的信息,并对图片进行区分。

 

2. 全连接神经网络与卷积神经网络的联系与区别。

联系: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。

区别:

全连接神经网络:

不适合做图像识别
  • 参数数量太多 
  • 没有利用像素之间的位置信息 
  • 网络层数限制

 

卷积神经网络:

适合做图像识别:
  • 局部连接 
  • 权值共享 
  • 下采样

 

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

 

14 深度学习-卷积_第1张图片

 

 

 14 深度学习-卷积_第2张图片

 

 

 

 

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
import pylab
from PIL import Image
from scipy.signal import convolve2d

I = Image.open(r'C:/Users/86186/Desktop/大三下/机器学习/Daomei.jpg')
L = I.convert('L')

dao = np.array(I)  # 原图
daohui = np.array(L)  # 灰度图

# 垂直边缘检查
k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])
# 水平边缘
k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])
k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])

p1 = convolve2d(daohui, k1, boundary='symm', mode='same')
p2 = convolve2d(daohui, k2, boundary='symm', mode='same')
p3 = convolve2d(daohui, k3, boundary='symm', mode='same')

plt.matshow(dao)  # 显示原图
plt.matshow(p1)
plt.matshow(p2)
plt.matshow(p3)
pylab.show()

原图

 

14 深度学习-卷积_第3张图片

 

14 深度学习-卷积_第4张图片

 

 14 深度学习-卷积_第5张图片

 

14 深度学习-卷积_第6张图片

 

 

5. 安装Tensorflow,keras 

参考:https://blog.csdn.net/u011119817/article/details/88309256 

14 深度学习-卷积_第7张图片

 

 

 

6. 设计手写数字识别模型结构,注意数据维度的变化。

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPool2D

model = tf.keras.Sequential()

model.add(Conv2D(…))

model.add(MaxPool2D(…))

...

#可以上传手动演算的每层数据结构的变化过程。model.summary() 

 

参考:

https://www.jianshu.com/p/afe485aa08ce

https://blog.csdn.net/junjun150013652/article/details/82217571

你可能感兴趣的