1.簡述人工智能、機器學習和深度學習三者的聯系與區別，
人工智能：機器學習和深度學習都是屬于一個領域的一個子集，但是人工智能是機器學習的首要范疇，機器學習是深度學習的首要范疇，
機器學習：是人工智能的子領域，也是人工智能的核心，它包括了幾乎所有對世界影響最大的方法(包括深度學習)，機器學習理論主要是設計和分析一些讓計算機可以自動學習的演算法，
深度學習：屬于機器學習的子類，利用深度神經網路來解決特征表達的一種學習程序
深度學習是機器學習的一個子集，機器學習是人工智能的一個子集
2. 全連接神經網路與卷積神經網路的聯系與區別，
聯系：
除了結構相似，卷積神經網路的輸入輸出以及訓練的流程和全連接神經網路也基本一致，以影像分類為列，卷積神經網路的輸入層就是影像的原始影像，而輸出層中的每一個節點代表了不同類別的可信度，這和全連接神經網路的輸入輸出是一致的，
區別：
每一次feature map的輸入過來必須都得是一定的大小（即與權重矩陣正好可以相乘的大小），所以網路最開始的輸入影像尺寸必須固定，才能保證傳送到全連接層的feature map的大小跟全連接層的權重矩陣匹配，
卷積層就不需要固定大小了，因為它只是對區域區域進行視窗滑動
3.理解卷積計算，
以digit0為例，進行手工演算，
from sklearn.datasets import load_digits #小資料集8*8
digits = load_digits()
4.理解卷積如何提取影像特征，
讀取一個影像；
以下矩陣為卷積核進行卷積操作；
顯示卷積之后的影像，觀察提取到什么特征，
| 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 |
卷積API
scipy.signal.convolve2d
tf.keras.layers.Conv2D
from PIL import Image
from pylab import *
from scipy.signal import convolve2d
a=np.array([[-1,0,1],[-2,0,2],[-1,0,1]])
b=np.array([[1,1,1],[0,0,0],[-1,-1,-1]])
c=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1]])
im = array(Image.open("raicho.jpg").convert('L'))
imshow(im)
cat0=convolve2d(im,a,boundary='symm',mode='same')
cat1=convolve2d(im,b,boundary='symm',mode='same')
cat2=convolve2d(im,c,boundary='symm',mode='same')
imshow(cat0)
imshow(cat1)
imshow(cat2)
5. 安裝Tensorflow,keras
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/140469.html
標籤：Python
上一篇：史上最科學的AI算命研究，3萬張自拍揭露長相與性格關系：顏值即命！
下一篇：python-AES加密解密