1.简述人工智能、机器学习和深度学习三者的联系与区别。

 人工智能是一个大的发展中的概念，其中包括包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。即机器学习是实现人工智能的其中一个方法，而深度学习是机器学习所使用的一种算法。

总结：人工智能 > 机器学习 > 深度学习

2. 全连接神经网络与卷积神经网络的联系与区别。

 在全连接神经网络中，每两层之间的节点都有边相连。

卷积神经网络也是通过一层一层的节点组织起来的，对于卷积神经网络，相邻两层之间只有部分节点相连。在卷积神经网络的前几层中，每一层的节点都被组织成一个三维矩阵。前几层中每一个节点只和上一层中部分节点相连。

卷积神经网络结构：

• 1、输入层
• 2、卷积层
• 3、池化层（Pooling）
• 4、全连接层
• 5、softmax层

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；

 1 from PIL import Image
 2 import matplotlib.pyplot as plt
 3 # %matplotlib inline
 4 import numpy as np
 5 from scipy.signal import convolve2d
 6 import tf.keras.layers.Conv2D
 7 
 8 
 9 I = Image.open(r‘./img/see.jpg‘)
10 L = I.convert(‘L‘)
11 
12 cat = np.array(I)  # 原图
13 catg = np.array(L) # 灰度图

以下矩阵为卷积核进行卷积操作；

1 k1 = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])  # 垂直边缘检测
2 k2 = np.array([[1, 1, 1], [0, 0, 0], [-1, -1, -1]])  # 水平边缘检测（转置）
3 k3 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])
4 
5 cat1 = convolve2d(catg, k1, boundary=‘symm‘, mode=‘same‘)
6 cat2 = convolve2d(catg, k2, boundary=‘symm‘, mode=‘same‘)
7 cat3 = convolve2d(catg, k3, boundary=‘symm‘, mode=‘same‘)

显示卷积之后的图像，观察提取到什么特征。

原图

纵向卷积

横向卷积

 卷积效果模糊

卷积API 

scipy.signal.convolve2d

tf.keras.layers.Conv2D

5. 安装Tensorflow,keras

参考：https://blog.csdn.net/u011119817/article/details/88309256 

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() 

参考：

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

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

14 深度学习-卷积

原文：https://www.cnblogs.com/lxml/p/13042338.html