关键词：
1.简述人工智能、机器学习和深度学习三者的联系与区别。
①人工智能 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。人工智能是目的，是结果
②机器学习 机器学习可以理解为机器从已知的经验数据（样本）中，通过某种特定的方法（算 法），自己去寻找提炼（训练/学习）出一些规律（模型）；提炼出的规律就可以用 来判断一些未知的事情（预测）。它是一种实现人工智能的方法。
③深度学习 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟。深度学习本来并不是一 种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网 络。它使得机器学习实现众多应用，拓展了人工智能的领域范畴，给人工智能能以璀 璨未来
2. 全连接神经网络与卷积神经网络的联系与区别。
全连接神经网络和卷积神经网络都是通过一层一层的节点组织起来的。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()
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
from PIL import Image from scipy.signal import convolve2d import numpy as np import matplotlib.pyplot as plt from pylab import mpl mpl.rcParams[‘font.sans-serif‘] = [‘SimHei‘] image = Image.open(r"./aa.jpg") p = image.convert("L") k = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]]) k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) pg0 = convolve2d(p, k, boundary=‘symm‘, mode=‘same‘) pg1 = convolve2d(p, k1, boundary=‘symm‘, mode=‘same‘) pg2 = convolve2d(p, k2, boundary=‘symm‘, mode=‘same‘) pg3 = convolve2d(p, k3, boundary=‘symm‘, mode=‘same‘) plt.imshow(p) plt.title("原图") plt.show() plt.imshow(pg0) plt.title("图1") plt.show() plt.imshow(pg1) plt.title("图2") plt.show() plt.imshow(pg2) plt.title("图3") plt.show() plt.imshow(pg3) plt.title("图4") plt.show()
5. 安装Tensorflow,keras
14深度学习-卷积(代码片段)
1.简述人工智能、机器学习和深度学习三者的联系与区别。 联系：深度学习使得机器学习能够实现众多应用，并拓展了人工智能的领域范畴。区别：人工智能是目的，是结果；深度学习、机器学习是方法，是工具；深度学习... 查看详情
14深度学习-卷积(代码片段)
1.简述人工智能、机器学习和深度学习三者的联系与区别。解析：人工智能是机器诠释的人类智能，是机器学习和深度学习后想实现的结果和目的，机器学习是实现人工智能的方法，深度学习是机器学习算法中的一种算法，一种... 查看详情
深度学习卷积神经网络最大池化运算(代码片段)
文章目录前言一、最大池化二、为什么要对特征图进行下采样前言在卷积神经网络示例中，我们注意到，在每个MaxPooling2D层之后，特征图的尺寸都会减半。例如：在第一个MaxPooling2D层之前，特征图的尺寸是26*26... 查看详情
14深度学习-卷积(代码片段)
1.简述人工智能、机器学习和深度学习三者的联系与区别。（1）人工智能是目的，是结果；深度学习、机器学习是方法，是工具；（2）机器学习，一种实现人工智能的方法；机器学习都可以被精准地定义为：1、任务T；2、训练... 查看详情
14深度学习-卷积(代码片段)
1.简述人工智能、机器学习和深度学习三者的联系与区别。 人工智能是最早出现的，其次是机器学习，最后是深度学习，当今人工智能大爆炸的核心驱动。 区别和联系： 2.全连接神经网络与卷积... 查看详情
深度学习中的卷积操作(代码片段)
本文从信号处理中的互相关运算引入深度学习中的卷积。然后介绍了不同的卷积类型，以及如何在pytorch中使用这些卷积层。（在看pytorch文档中的Conv1D/2D/3D的时候感到比较困惑，又很好奇深度学习中各种各样的卷积操... 查看详情
13.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。人工智能是目的，是结果。深度学习、机器学习是方法、是工具。机器学习，一种实现人工智能的方法；机器学习都可以精准地被定义为：1任务T；2.训练过程E;3.模型表... 查看详情
14深度学习-卷积(代码片段)
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：人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，也是当今人工智能大爆炸的核心驱动。 人工智能是目... 查看详情
「深度学习一遍过」必修13：使用pytorch对inception结构模型进行设计(代码片段)
本专栏用于记录关于深度学习的笔记，不光方便自己复习与查阅，同时也希望能给您解决一些关于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇... 查看详情
深度学习卷积神经网络(代码片段)
目录1CNN网络的构成2卷积层2.1卷积的计算方法2.2padding（填充）2.3stride（步长）2.4多通道卷积2.5多卷积核卷积2.6特征图大小3池化层(Pooling)3.1最大池化3.2平均池化4全连接层5卷积神经网络的构建5.1数据加载5.2数据处理5... 查看详情
「深度学习一遍过」必修14：基于pytorch研究深度可分离卷积与正常卷积的性能差异(代码片段)
本专栏用于记录关于深度学习的笔记，不光方便自己复习与查阅，同时也希望能给您解决一些关于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇... 查看详情
深度学习-conv卷积(代码片段)
过滤器(卷积核)传统的图像过滤器算子有以下几种:blurkernel：减少相邻像素的差异，使图像变平滑。sobel：显示相邻元素在特定方向上的差异。sharpen：强化相邻像素的差异，使图片看起来更生动。outline：也称为edgekernel，相邻像素... 查看详情
深度学习-alexnet（第一个深度卷积网络）(代码片段)
...分享一下给大家。点击跳转到网站。简介AlexNet是第一个深度卷积网络模型，赢得了2012年ImageNet图像分类竞赛的冠军，自98年的LeNet后再次将深度学习研究引热，创造性的提出了很多方法且影响至今& 查看详情
「深度学习一遍过」必修9：解读卷积神经网络alexnet(代码片段)
本专栏用于记录关于深度学习的笔记，不光方便自己复习与查阅，同时也希望能给您解决一些关于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇... 查看详情
大厂必考深度学习算法面试题总结(代码片段)
...一，滤波器与卷积核二，卷积层和池化输出大小计算三，深度学习框架的张量形状格式四，Pytorch、Keras的池化层函数理解五，Pytorch和Keras的卷积层函数理解六，softmax回归七，交叉熵损失函数八，感受野理解九，卷积和池化操作... 查看详情
keras深度学习实战——卷积神经网络的局限性(代码片段)
Keras深度学习实战（9）——卷积神经网络的局限性0.前言1.卷积神经网络的局限性2.情景1——训练数据集图像尺寸较大3.情景2——训练数据集图像尺寸较小4.情景3——在训练尺寸较大的图像时使用更大池化小结系列链接0.... 查看详情
keras深度学习实战——卷积神经网络详解与实现(代码片段)
Keras深度学习实战（7）——卷积神经网络详解与实现0.前言1.传统神经网络的缺陷1.1构建传统神经网络1.2传统神经网络的缺陷2.使用Python从零开始构建CNN2.1卷积神经网络的基本概念2.2卷积和池化相比全连接网络的优势3.使用... 查看详情
google深度学习笔记卷积神经网络(代码片段)
ConvolutionalNetworks转载请注明作者：梦里风林Github工程地址：https://github.com/ahangchen/GDLnotes欢迎star，有问题可以到Issue区讨论官方教程地址视频/字幕下载deepdiveintoimagesandconvolutionalmodelsConvnetBackGround人眼在识别图像 查看详情