14 深度學習 卷積

2022-07-09 18:54:13 字數 2320 閱讀 4190

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絡與區別。

人工只能包括了機器學習和深度學習,而機器學習又包含了深度學習。人工智慧是目的,是結果;深度學習、機器學習是方法,是工具;機器學習是一種實現人工智慧的方法,機器學習直接**於早期的人工智慧領域。深度學習是一種實現機器學習的技術,深度學習使得機器學習能夠實現眾多的應用,並拓展了人工智慧的領域範圍。深度學習,給人工智慧以璀璨的未來。

2. 全連線神經網路與卷積神經網路的聯絡與區別。

全連線神經網路和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。

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

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

scipy.signal.convolve2d

tf.keras.layers.conv2d

import matplotlib.pyplot as

pltimport numpy

asnp

from

scipy.signal import convolve2d

from

pil import image

# 讀取一張

]] )#垂直邊緣

k1=np.array([[-1,0,1],[-2,0,2],[-1,0,1

]])#水平邊緣

k2=np.array([[-1,-1,-1],[-1,8,-1],[-1,-1,-1

]])p1 = convolve2d(cath,k,boundary='

symm

',mode='

same')

p2 = convolve2d(cath,k2,boundary='

symm

',mode='

same')

plt.imshow(image)

#檢視plt.show()

plt.imshow(p1)

#檢視plt.show()

plt.imshow(p2)

#檢視plt.show()

5. 安裝tensorflow,keras

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...

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...

深度學習 卷積概念簡介

卷積運算的定義如下圖所示 如圖所示,我們有乙個5x5的影象,我們用乙個3x3的卷積核 1 0 1 0 1 0 1 0 1 來對影象進行卷積操作 可以理解為有乙個滑動視窗,把卷積核與對應的影象畫素做乘積然後求和 得到了3x3的卷積結果。這個過程我們可以理解為我們使用乙個過濾器 卷積核 來過濾影象的各個...