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積神經網路的聯絡與區別。
聯絡：全連線神經網路與卷積神經網路都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；
全連線神經網路與卷積神經網路的輸入和輸出的過程都是一樣的。
區別：全連線神經網路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；
卷積神經網路相鄰兩層之間的節點只有部分相連，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
from pil import imagefrom scipy.signal import convolve2d
import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl
# 指定字型，解決plot不能顯示中文的問題
mpl.rcparams['font.sans-serif'] = ['simhei']
# 讀取一張
image = image.open(r"d:\backup\桌面\timg.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]]) # 垂直邊緣
k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]]) # 水平邊緣
k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
fd0 = convolve2d(p, k, boundary='symm', mode='same')
fd1 = convolve2d(p, k1, boundary='symm', mode='same')
fd2 = convolve2d(p, k2, boundary='symm', mode='same')
fd3 = convolve2d(p, k3, boundary='symm', mode='same')
plt.imshow(p)
plt.title("原")
plt.show() # 顯示
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...
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...