14 深度学习-卷积



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:

14 深度学习-卷积_第1张图片

 

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;

卷积神经网络:重视空间信息,对应每一个局部小图片,提炼小图片中的特征。
 

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:

14 深度学习-卷积_第2张图片

卷积核

 

 结果

14 深度学习-卷积_第3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

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:

14 深度学习-卷积_第4张图片

 14 深度学习-卷积_第5张图片卷积核:

 14 深度学习-卷积_第6张图片

 14 深度学习-卷积_第7张图片卷积核:

 14 深度学习-卷积_第8张图片

 14 深度学习-卷积_第9张图片卷积核:

 14 深度学习-卷积_第10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11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() 

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:

14 深度学习-卷积_第12张图片

参考:

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

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

你可能感兴趣的:(14 深度学习-卷积)