1.簡述人工智慧、機器學習和深度學習三者的聯絡與區別。
一、概念的區別
1、人工智慧
人工智慧（artificial intelligence）簡稱ai。人工智慧是電腦科學的乙個分支，它企圖了解智慧型的本質，並生產出一種新的能以人類智慧型相似的方式做出反應的智慧型機器，是研究、開發用於模擬、延伸和擴充套件人的智慧型的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧目前分為弱人工智慧和強人工智慧和超人工智慧
2、機器學習
機器學習（machinelearning）簡稱ml。機器學習屬於人工智慧的乙個分支，也是人工智慧的和核心。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。
3、深度學習
深度學習（deeplearning）簡稱dl。最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是乙個全新的概念，可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果，人們對神經元的連線方法和啟用函式等方面做出相應的調整。
1）監督學習：用一部分已知分類、有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類、無標記的樣本進行分類、貼標籤。多用於分類。
2）非監督學習：用一部分已知分類、有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類、無標記的樣本進行分類、貼標籤。多用於聚類。
3）半監督學習：有兩個樣本集，乙個有標記，乙個沒有標記。綜合利用有類標的樣本（ labeled sample）和沒有類標的樣本（ unlabeled sample），來生成合適的分類。
2. 全連線神經網路與卷積神經網路的聯絡與區別。
卷積神經網路也是通過一層一層的節點組織起來的。和全連線神經網路一樣，卷積神經網路中的每乙個節點就是乙個神經元。在全連線神經網路中，每相鄰兩層之間的節點都有邊相連，於是會將每一層的全連線層中的節點組織成一列，這樣方便顯示連線結構。而對於卷積神經網路，相鄰兩層之間只有部分節點相連，為了展示每一層神經元的維度，一般會將每一層卷積層的節點組織成乙個三維矩陣。
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線神經網路也基本一致，以影象分類為列，卷積神經網路的輸入層就是影象的原始影象，而輸出層中的每乙個節點代表了不同類別的可信度。這和全連線神經網路的輸入輸出是一致的。類似的，全連線神經網路的損失函式以及引數的優化過程也都適用於卷積神經網路。因此，全連線神經網路和卷積神經網路的唯一區別就是神經網路相鄰兩層的連線方式。
3.理解卷積計算。
4.理解卷積如何提取影象特徵。
讀取乙個影象；
以下矩陣為卷積核進行卷積操作；
顯示卷積之後的影象，觀察提取到什麼特徵。10
-110-1
10-11
1100
0-1-1-1
-1-1
-1-18-1
-1-1
-1卷積api
原圖deadpool
圖deadpool顏色處理
圖d1
圖d2
圖d3
5. 安裝tensorflow,keras
深度學習 卷積理解
一.深度卷積神經網路學習筆記 一 假設輸入影象尺寸為w，卷積核尺寸為f，步幅 stride 為s 卷積核移動的步幅 padding使用p 用於填充輸入影象的邊界，一般填充0 那麼經過該卷積層後輸出的影象尺寸為 w f 2p s 1。2.它寫出為什麼會用padding？卷積核大小該如何確定？strid...
14 深度學習 卷積
補交作業 第十二次作業 垃圾郵件分類 第十三次作業 垃圾郵件分類2 這兩個作業電腦顯示卡炸了，返廠修了兩周，所以沒有完成，只能在手機上直播課，謝謝老師 第六次作業 邏輯回歸 這個作業我4月23日就已經弄好了，但是忘記交了，老師可以檢視一下這篇部落格的日期 1.簡述人工智慧 機器學習和深度學習三者的聯...
14 深度學習 卷積
1.簡述人工智慧 機器學習和深度學習三者的聯絡與區別。區別 1 人工智慧 目的和結果，深度學習，機器學習是方法，是工具。2 機器學習 一種實現人工智慧的方法 機器學習都可以被精準地定義為 1 任務2 訓練過程3 模型表現 3 深度學習 是一種實現機器學習的技術，適合處理大資料 2.全連線神經網路與卷...