深度學習主題練閱讀下面的文字，完成1-5題。材料一機器學習是一種人工智能技術，它通過設計算法，讓計算機可以從有限的觀測數(shù)據(jù)中分析并獲取規(guī)律，然后利用“學習”到的規(guī)律對未知數(shù)據(jù)進行預測，從而幫助人們完成應用任務。運用機器學習解決應用問題，一般包含如下幾步：首先是對觀測數(shù)據(jù)作預處理，然后是從觀測數(shù)據(jù)中提取有效特征并對特征進行轉(zhuǎn)換，最后是構建函數(shù)并利用它進行預測。傳統(tǒng)的機器學習主要關注預測函數(shù)的構建，至于特征，則一般是通過人為地設計一些準則，然后根據(jù)這些準則從觀測數(shù)據(jù)中獲得。對機器而言，這可看作是一種“淺層學習”。由于淺層學習有時不能很好地獲得有助于提升預測準確率的特征，“深度學習”應運而生。深度學習需要構建具有一定“深度”的模型，讓機器自動從觀測數(shù)據(jù)中學習到有效的特征，幫助提升預測的準確率。“深度”與數(shù)據(jù)處理過程的組件數(shù)量密切相關，深度模型的原始輸入與輸出結果之間有多個組件，每個組件都會對數(shù)據(jù)進行加工，并影響后續(xù)組件。當?shù)玫阶罱K的輸出結果時，我們并不清楚每個組件的貢獻是多少，判斷每個組件對輸出結果的影響稱為“貢獻度分配”問題。以下圍棋為例，每當下完一盤棋，我們會思考哪幾步棋導致了最后的勝利或失敗，判斷每一步棋貢獻的多少就是貢獻度分配問題。該問題在深度學習中至關重要，解決起來也非常困難。目前，深度學習大多采用“人工神經(jīng)網(wǎng)絡”來實現(xiàn)。人工神經(jīng)網(wǎng)絡內(nèi)部包含多個層次，正好能滿足深度學習的“深度”需求。近年來，深度學習技術快速發(fā)展，其所使用的人工神經(jīng)網(wǎng)絡模型從早期的五至十層增加到目前的數(shù)百層，這極大提高了特征提取與轉(zhuǎn)換的能力，也使預測的準確率隨之上升。深度學習技術被廣泛應用于模式識別、自然語言處理等諸多領域并取得了重大突破。我們要想在方興未艾的科技革命中占有先機，牢固掌握以深度學習為代表的人工智能技術是必要條件。材料二人腦神經(jīng)系統(tǒng)是一個非常復雜的組織，包含幾百億個神經(jīng)元。神經(jīng)元與神經(jīng)元之間沒有物理連接，它們通過突觸進行互聯(lián)來傳遞信息。神經(jīng)元可被看作是只有興奮和抑制兩種狀態(tài)的細胞，突觸將一個神經(jīng)元的興奮狀態(tài)傳至另一個神經(jīng)元。突觸有強有弱，其強度可以通過學習或訓練來不斷改變，具有一定的可塑性。一個神經(jīng)元的狀態(tài)是興奮還是抑制，取決于它從其他神經(jīng)元接收到的信號量以及突觸的強度。當一個神經(jīng)元接收到的信號量總和超過了某個閾值，細胞體就會興奮，產(chǎn)生電脈沖，電脈沖通過突觸傳遞到其他神經(jīng)元?？梢哉J為，在人腦神經(jīng)系統(tǒng)中，每個神經(jīng)元本身固然重要，但更重要的是神經(jīng)元如何組成網(wǎng)絡。受人腦的啟發(fā)，科學家構建了一種在結構、工作原理和功能上都模擬人腦神經(jīng)系統(tǒng)的計算模型，稱之為“人工神經(jīng)網(wǎng)絡”，簡稱“神經(jīng)網(wǎng)絡”。在機器學習領域，神經(jīng)網(wǎng)絡指由很多人工神經(jīng)元相互連接構成的系統(tǒng)，這些人工神經(jīng)元一般被稱為節(jié)點，每個節(jié)點本質(zhì)上是一個函數(shù)。神經(jīng)網(wǎng)絡不同節(jié)點間的連接被賦予了不同的權重，每個權重表示一個節(jié)點對另一個節(jié)點影響的大小。每個節(jié)點的“興奮”或“抑制”，由來自其他節(jié)點的數(shù)據(jù)信息與節(jié)點間的連接權重綜合計算得到。深度學習利用神經(jīng)網(wǎng)絡構建模型，可以對數(shù)據(jù)進行更好的特征提取與特征轉(zhuǎn)換，從而得到預測準確率更高的函數(shù)。除了神經(jīng)網(wǎng)絡模型，深度學習也可以采用“深度信念網(wǎng)絡”等其他類型的模型。但由于神經(jīng)網(wǎng)絡能借助相關算法較好地解決貢獻度分配問題，它成為了深度學習主要采用的模型。（以上兩則材料取材于邱錫鵬的相關著作）1．根據(jù)材料一，下列表述正確的一項是（3分）A．機器學習的最終目的是從數(shù)據(jù)中尋找到某種規(guī)律。B．機器學習從數(shù)據(jù)中學到的規(guī)律可以用函數(shù)來表示。C．機器學習完成特征提取與轉(zhuǎn)換后就可以進行預測。D．淺層學習無需人工干預，完全依賴機器自主完成。2．根據(jù)材料一，下列對“深度學習”的理解與推斷，不正確的一項是（3分）A．可以更好地處理數(shù)據(jù)特征，更準確地預測。B．數(shù)據(jù)處理過程中的組件數(shù)量會影響其深度。C．數(shù)據(jù)處理過程中影響最大的組件不難確定。D．是人工智能技術的代表，已有廣泛的應用。3．根據(jù)材料二，下列對人腦神經(jīng)系統(tǒng)的理解，不正確的一項是（3分）A．一個神經(jīng)元是興奮還是抑制的狀態(tài)不全由其自身決定。B．一個神經(jīng)元接收到其他神經(jīng)元的電脈沖以后就會興奮。C．人腦神經(jīng)系統(tǒng)中神經(jīng)元本身不如神經(jīng)元如何組網(wǎng)重要。D．人腦神經(jīng)系統(tǒng)啟發(fā)了深度學習中一種主要模型的構建。4．根據(jù)材料一和材料二，下列理解與推斷，不正確的一項是（3分）A．人工神經(jīng)網(wǎng)絡在自然語言處理等諸多領域是無可替代的。B．深度學習進行預測的能力與其模型的層次數(shù)量密切相關。C．溝通不同神經(jīng)元的突觸的強度不是恒定的，可以被改變。D．人工神經(jīng)網(wǎng)絡模型被深度學習采用有不止一方面的原因。5．根據(jù)以上兩則材料，說明深度學習“應運而生”的原因，以及人工神經(jīng)網(wǎng)絡在深度學習中的作用。（5分）1．B2．C3．B4．A5．答案要點：原因：淺層學習有時不能很好地獲取有助于提升預測準確率的特征。作用：①人工神經(jīng)網(wǎng)絡可用來構建深度學習的模型。②人工神經(jīng)網(wǎng)絡模型可提高特征提取與特征轉(zhuǎn)換的能力。③人工神經(jīng)網(wǎng)絡模型有助于解決貢獻度分配問題。④人工神經(jīng)網(wǎng)絡模型有助于提升預測準確率材料一：一個領域的表示方式，在很大程度上，決定了那個領域是怎樣被“理解”的。只有當一個程序中的數(shù)學知識是包含于廣博的現(xiàn)實經(jīng)驗之中的時候，或.許才能被我們認為是以與我們同樣的方式在“理解”。正是這個"知識表示”問題成了人工智能的關鍵所在。在開始的時候，人們認為知識是像句子那樣一“包”?一“包”地存在的，而且把知識注入系統(tǒng)的最好方式就是找到一種簡單的方式把事實翻譯成被動的小數(shù)據(jù)包。那樣每個事實可能只不過是一條數(shù)據(jù)，可以被使用它的程序所存取。這種想法被下棋程序所證實，在這些程序里棋局勢被編碼在某種矩陣或列表之中，鬲效地存在存儲器里，可以把它們提取出來并用子程序加以處理。心理學家早就知道，人類是以某種更為復雜的方式來儲存事實的。但這一點只是近來才被人工智能研究工作者所重新發(fā)現(xiàn)。他們目前正而臨著'‘組塊化”知識的問題和區(qū)別過程性與描述性知識的問題。而后一個問題，涉及到'‘內(nèi)省可達的”和'‘內(nèi)省不可達的”這樣兩類知識間的區(qū)別。認為所有知識都應能被編碼成被動的數(shù)據(jù)，這種樸素設想實上是與關于計算機設計的大部分基本事實相矛盾的。這就是說，關于怎樣加、怎樣減、怎樣乘等等的知識不是編碼在中并存在存儲器內(nèi)的。爭實上，這些知識不是放在存儲器中的某個地方，而是體現(xiàn)在硬件的線路里。一個袖珍計算器并沒有在其存儲器中存放加法的做法，這個知識是編碼在它的“內(nèi)臟”中的。如果有人說：“請指給我看在這個機器中加法的做法存在哪里！”那么這種地方是找不到的。但在人工智能中大的工件都是與這樣一些系統(tǒng)有關的：它們大部分知識都存放在特定的地點——也就是采用描述性的方式。當然，某些知識必須嵌入在程序中，否則的話，所得到的就根本不是一個程序，僅僅是一部百科全書了。問題在于怎樣才能把知識分成程序和數(shù)據(jù)。不管怎么說，把程序和數(shù)據(jù)區(qū)分開也并非總是輕而易舉的。但在一個系統(tǒng)的開發(fā)過程中，如果程序員直觀地感到某些項應當是數(shù)據(jù)（或程序），那將對該系統(tǒng)的結構產(chǎn)生相當大的影響，因為人編程序的時候總是傾向于把那些像數(shù)據(jù)的對象和那些像數(shù)據(jù)的對象區(qū)分開。必須指出，原則上把信息編成數(shù)據(jù)結構成或過程的任何方式都是同樣好的，也就是說如果你不太在意效率的話，你能用一種方式所做的一切也都能用另一種方式來做。但是，可以提出一些理由來說明一種方式似乎肯定比另一種優(yōu)越。例如，請考慮下面主張只使用過程性表示的點：''一旦你想要把相當復雜的特性綸碼在數(shù)據(jù)中，你就不得不開發(fā)出相當于一種新的語言或新的形式系統(tǒng)的東西。因此實際上你的數(shù)據(jù)結構變得像程序，而你的一些程序成了它們的解釋程序，那你還不如開始就直接把這些信息表示成過程的形式，這就用不著外層的解釋程序了?！保ㄕ幾裕溃┖钍肋_《哥德爾、艾舍爾、巴赫一一集異璧之大成》）材料二：如何才能讓計算機（或深度學習）具備理解與思考能力呢？我們應當參考人腦的工作模式以自然語言理解為例，當人們看到一句話''這個夏天就像蒸籠一樣”，會產(chǎn)生哪些理解呢？假如此人母語是英語，且并不懂漢語，如果我們給他一本中英文詞典和語法書（注意這代表某種類型的語言知識），則他可以借助這些語言知識，很客易地將這個結構簡的句子翻譯成英語；此人還需要利用已有的常識知識和認知知識，才能理解將"夏天”比作”蒸籠"，是形容這個夏天很熱；如果此人掌一些關于現(xiàn)實的世界知識，則他還會想到用某些品牌的空調(diào)或風扇幫助降溫；如果此人還有一些全領城的行業(yè)知識，對他就能推測這個夏天空調(diào)大賣，空調(diào)廠商效益提升，可以提前做投資布局。即使現(xiàn)有自然語言處理服務可以處理的簡單樣例，同樣面臨類似的問題。如，用戶檢索''北京到上海的高鐵”時，商業(yè)搜索引擎可以匹配“北京”"上海”“高鐵”等實體，匹配預先定義好的模板，然后根據(jù)該模板對應指令查詢后臺數(shù)庫返回相關車次信息。這像一個爭先編排好的操作流程，一切按照劇本來運行，一旦超出事先定狡的范圍就束手無彊。而人類看到''北京到上海的鬲鐵”，則會調(diào)動?各種類型的知識來實現(xiàn)對這句話的理解，會知道北京和上海是中國的兩大直轄市，高鐵是運行在陸地上的髙速鐵路，京滬高鐵是連接北京和上海的最繁忙的鐵路線。?人類永遠這無法像搜索引那樣記住繁多的京滬高鐵車次，卻能夠利用有生以來不?斷積累的知識，輕而舉地理解這的話在現(xiàn)實世界中的意義，而不僅僅用來找到所?有京滬高鐵車次而已。只有真正理解這句話在現(xiàn)實世界中的全部意義，才是真正?的智能；而專門為完成某種特定任務（捜索車次）研制的系統(tǒng)或算法，則無法做到隨機應變。?可以看到，即使短短的一向話，只有在冬種類型知識的支持下，人們才能進?行不同層次的理解。這些知識是人類對包括自身在內(nèi)的外部世界的認知，如同Plam?發(fā)明人杰夫.霍金斯在他的On?Intelligence中所描述的“世界模型”，是人腦對?這個世界?形成的理性認知模型。只有將自然語言置入這個''世界模型”中，才能?實現(xiàn)真正的理解。?（摘編自劉知遠、韓旭、孫茂松《知識圖譜與深度學習》）1.下列對材料相關內(nèi)容的理解和分析，正確的一項是（3分）?A.?“知識表示”是人工智能的關鍵所在，只有當程序中的數(shù)學知識包含于現(xiàn)實經(jīng)?驗時，人工智能才真正得以實現(xiàn)。?B.?信息彼編碼成數(shù)據(jù)結構或過程的方式本無優(yōu)劣之分，程序員編碼時對程序和數(shù)?據(jù)直觀的區(qū)分讓它們有了高下之別。?C.?專門為完成某種特定任務研制的系統(tǒng)或算法缺乏各種類型知識的支持，無法形?成對外部世界的認知，不能做到隨機應變。?D.?下棋程序和商業(yè)搜索引擎均是將信息編碼在程序中，高效率存儲、匹配和提取，?體現(xiàn)了人工智能的發(fā)展方向。?2根據(jù)材料內(nèi)容，下列說法不正確的一項是（3分）?A實現(xiàn)真正的人工智能，首先需要解決知識編碼由描述性向過程性的轉(zhuǎn)變問題，?但這一轉(zhuǎn)變并非輕而易舉。?B.計算機設計中的加、減、乘、除等知識是以程序的形式呈現(xiàn)的，這與人工智能?研究工作者的最初理解不同。?C人們借助各種類型的知識，可以對“這個夏夭就像籠一樣”這句話進行翻譯、?理解，甚至提前布局市場投資?D.人類與系統(tǒng)的不同之處在丁?人類能理解信息在現(xiàn)實世界中的全部意義，系統(tǒng)卻?只能存儲多的信息。?3.?根據(jù)材料內(nèi)容，下