补交第十五次作业:https://www.cnblogs.com/cyj085/p/13096159.html
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:人工智能:凡是机器做了人需要动脑才能完成的事情,都可以称为人工智能;
机器学习:如果一个系统能够通过执行某个过程改进它的性能,就是机器学习;
深度学习:深度学习可以看作是特殊的机器学习,我们可以利用深度学习来解决大部分需要思考的问题。
它们之间的关系如下图所示:
2. 全连接神经网络与卷积神经网络的联系与区别。
答:全连接神经网络:无需空间信息,提炼全局图片中的特征;
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 |
答:
卷积核
结果
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
代码:
1 from PIL import Image 2 import matplotlib.pyplot as plt 3 import numpy as np 4 from scipy.signal import convolve2d 5 6 I = Image.open(r'D:/机器学习/img/juanfu.jpg') 7 L = I.convert('L') 8 9 juanfu = np.array(I) 10 juanfug = np.array(L) 11 12 k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) # 垂直边缘检查 13 k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) # 水平边缘 14 k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) 15 16 p1 = convolve2d(juanfug, k1, boundary='symm', mode='same') 17 p2 = convolve2d(juanfug, k2, boundary='symm', mode='same') 18 p3 = convolve2d(juanfug, k3, boundary='symm', mode='same') 19 20 plt.matshow(juanfu) 21 plt.matshow(p1) 22 plt.matshow(p2) 23 plt.matshow(p3) 24 plt.show()
原图:
5. 安装Tensorflow,keras
参考:https://blog.csdn.net/u011119817/article/details/88309256
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()
代码:
1 from tensorflow.keras.models import Sequential 2 from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPool2D 3 import os 4 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 只显示 warning 和 Error 5 6 # 建立模型 7 model = Sequential() 8 9 # 一层卷积 10 model.add( 11 Conv2D( 12 filters=32, # 卷积核种类 13 kernel_size=(3, 3), # 卷积核大小 14 padding='same', 15 input_shape=(32, 32, 1), 16 activation='relu')) 17 # 池化层1 18 model.add(MaxPool2D(pool_size=(2, 2))) 19 model.add(Dropout(0.25)) 20 21 # 二层卷积 22 model.add( 23 Conv2D( 24 filters=64, 25 kernel_size=(3, 3), 26 padding='same', 27 activation='relu')) 28 # 池化层2 29 model.add(MaxPool2D(pool_size=(2, 2))) 30 model.add(Dropout(0.25)) 31 32 # 三层卷积 33 model.add( 34 Conv2D( 35 filters=128, 36 kernel_size=(3, 3), 37 padding='same', 38 activation='relu')) 39 40 model.add(Flatten()) # 平坦层 41 model.add(Dense(256, activation='relu')) # 全连接层 42 model.add(Dropout(0.5)) 43 model.add(Dense(10, activation='softmax')) # 激活函数 44 45 model.summary()
结果:
参考:
https://www.jianshu.com/p/afe485aa08ce
https://blog.csdn.net/junjun150013652/article/details/82217571