習(xí)題四人工智能前沿技術(shù)之深度學(xué)習(xí)一、單項選擇題1、深度學(xué)習(xí)的核心特點不包括以下哪項？A．多層次結(jié)構(gòu)B．自動特征提取C．?dāng)?shù)據(jù)預(yù)處理D．強大的泛化能力2、深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)最大的區(qū)別是：A．自動特征提取能力B．?dāng)?shù)據(jù)存儲方式C．計算速度D．?dāng)?shù)據(jù)采集方法3、以下哪一項不是深度學(xué)習(xí)的應(yīng)用領(lǐng)域？A．圖像識別B．語音識別C．?dāng)?shù)據(jù)壓縮D．文本分類4、反向傳播算法最早由誰提出？A．沃倫·麥卡洛克B．沃爾特·皮茨C．大衛(wèi)·魯梅爾哈特D．杰弗里·辛頓5、深度學(xué)習(xí)模型的輸入層的作用是：A．接收原始數(shù)據(jù)B．提取特征C．輸出結(jié)果D．優(yōu)化模型6、以下哪個選項是深度學(xué)習(xí)能夠處理的內(nèi)容？A．低維數(shù)據(jù)B．非線性數(shù)據(jù)C．固定模式數(shù)據(jù)D．已知數(shù)據(jù)7、深度學(xué)習(xí)真正廣泛應(yīng)用的時期是：A．20世紀(jì)40年代B．20世紀(jì)80年代C．21世紀(jì)初D．21世紀(jì)后期8、深度學(xué)習(xí)模型通過逐層抽象和特征提取，自動學(xué)習(xí)并識別出數(shù)據(jù)中的：A．初級特征B．中級特征C．?dāng)?shù)據(jù)噪聲D．高級抽象特征9、以下哪一部分不屬于生物神經(jīng)元的組成部分？A．細(xì)胞體B．樹突C．激活函數(shù)D．軸突10、神經(jīng)元的哪個部分用于接收信號？A．軸突B．樹突C．細(xì)胞體D．突觸二、填空題1、深度學(xué)習(xí)是人工智能領(lǐng)域的一個重要分支，近年來在__________和工業(yè)界都引起了極大的關(guān)注與興趣。2、深度學(xué)習(xí)利用__________來處理和分析數(shù)據(jù)。3、反向傳播算法極大地推動了__________的進(jìn)展。4、深度學(xué)習(xí)相比傳統(tǒng)機器學(xué)習(xí)，最大的區(qū)別在于其__________的能力。5、深度學(xué)習(xí)的核心在于通過構(gòu)建復(fù)雜的__________模型，實現(xiàn)對數(shù)據(jù)的高層次抽象和自動特征提取。6、深度學(xué)習(xí)模型能夠自動從__________中學(xué)習(xí)并提取出有效的特征表示。7、在人工神經(jīng)元模型中，______是指傳遞給神經(jīng)元的原始數(shù)據(jù)或特征值。8、權(quán)重是通過______算法進(jìn)行調(diào)整的，以最小化網(wǎng)絡(luò)輸出與實際目標(biāo)之間的誤差。9、偏置的作用是調(diào)整神經(jīng)元的______，使得神經(jīng)元能夠在沒有輸入信號的情況下激活或保持抑制狀態(tài)。10、激活函數(shù)的選擇對神經(jīng)網(wǎng)絡(luò)的性能和______有著重要影響。三、判斷題1、感知機的決策邊界可以在二維空間中表現(xiàn)為一條直線。2、前饋神經(jīng)網(wǎng)絡(luò)的信息在網(wǎng)絡(luò)中單向流動，從輸入層開始，經(jīng)過一個或多個隱藏層，最終到達(dá)輸出層。3、卷積層中的神經(jīng)元通過共享權(quán)重的方式進(jìn)一步減少了參數(shù)數(shù)量，但降低了模型的泛化能力。4、在池化操作中，最大池化能夠保留圖像中的顯著特征，如邊緣、紋理等。5、在CNN中，填充是指在輸入圖像的邊界周圍添加額外的像素值，以便在卷積操作后使特征圖的尺寸擴大。四、簡答題1、深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)的主要區(qū)別是什么？2、描述感知機的基本模型及其工作原理。3、前饋神經(jīng)網(wǎng)絡(luò)的信號傳遞過程是怎樣的？4、請簡述池化層在CNN中的作用及其常見類型。5、GRU如何解決RNN中梯度消失的問題？五、上機題1、人臉口罩識別系統(tǒng)的設(shè)計與實現(xiàn)任務(wù)描述在2019年末2020年初，隨著新冠疫情的蔓延，佩戴口罩已成為日常生活中不可或缺的一部分。所以在涉及到人臉識別技術(shù)的場景中，傳統(tǒng)的人臉識別系統(tǒng)通常依賴于面部特征的完整性，而口罩的遮擋使得面部特征信息大大減少，進(jìn)而影響識別的準(zhǔn)確性。因此，如何在復(fù)雜的環(huán)境下，尤其是在口罩遮擋的情況下，準(zhǔn)確識別個人的身份成為了一個重要的研究課題。本次任務(wù)我們需要編寫一種基于深度學(xué)習(xí)的人臉口罩識別系統(tǒng)。任務(wù)目標(biāo)（1）安裝第三方庫需要通過命令行安裝TensorFlow、NumPy、Scipy、Pillow第三方庫。（2）數(shù)據(jù)集的解壓與使用這里我們使用一個已經(jīng)預(yù)先準(zhǔn)備好的數(shù)據(jù)集，我們打開AI-Python的項目路徑，將素材中的data.zip放進(jìn)去，并且解壓。（3）編寫數(shù)據(jù)預(yù)處理相關(guān)代碼（4）完成模型的設(shè)計與實現(xiàn)具體包括構(gòu)建CNN模型、編譯模型以及模型訓(xùn)練操作。（5）進(jìn)行模型評估與優(yōu)化（6）將模型應(yīng)用到實際場景中進(jìn)行測試與部署習(xí)題四答案解析一、單項選擇題1.C2.A3.C4.C5.A6.B7.C8.D9.C10.B二、填空題1.學(xué)術(shù)界 2.多層次的人工神經(jīng)網(wǎng)絡(luò)3.神經(jīng)網(wǎng)絡(luò)訓(xùn)練 4.自動特征提取5.神經(jīng)網(wǎng)絡(luò) 6.原始數(shù)據(jù)7.輸入 8.反向傳播9.激活閾值 10.學(xué)習(xí)過程三、判斷題1.正確2.正確3.錯誤（卷積層中的神經(jīng)元通過共享權(quán)重的方式減少了參數(shù)數(shù)量，同時提高了模型的泛化能力）4.正確5.錯誤（填充的目的是保持特征圖的尺寸不變或按預(yù)期縮小，而非擴大）四、簡答題1、深度學(xué)習(xí)與傳統(tǒng)機器學(xué)習(xí)的主要區(qū)別在于深度學(xué)習(xí)具有自動特征提取的能力，而傳統(tǒng)機器學(xué)習(xí)通常需要人工設(shè)計特征。深度學(xué)習(xí)能夠通過構(gòu)建深層次的神經(jīng)網(wǎng)絡(luò)自動從原始數(shù)據(jù)中學(xué)習(xí)并提取有效特征表示，減少了人工干預(yù)。2、感知機是一個線性二分類模型，通過加權(quán)輸入信號與偏置相加形成凈輸入，然后通過激活函數(shù)產(chǎn)生輸出，用于分類決策。它包含輸入層、加權(quán)求和、偏置和激活函數(shù)。3、前饋神經(jīng)網(wǎng)絡(luò)中的信號傳遞是單向的，從輸入層開始，經(jīng)過隱藏層，到達(dá)輸出層。輸入數(shù)據(jù)通過層與層之間的權(quán)重連接傳遞，經(jīng)過激活函數(shù)變換，最終輸出預(yù)測結(jié)果。4、池化層用于對卷積層輸出的特征圖進(jìn)行降維處理，減少計算量，并增強模型對輸入圖像的小幅度變換的魯棒性。常見類型包括最大池化和平均池化。5、GRU通過引入更新門和重置門兩個控制門結(jié)構(gòu)，動態(tài)地調(diào)整信息的流動，有效捕捉長期依賴關(guān)系，從而避免了傳統(tǒng)RNN中因長時間依賴導(dǎo)致的梯度消失問題。五、上機題參考答案importosimportcv2importnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportclassification_report,confusion_matrixfromtensorflow.keras.modelsimportSequential,load_modelfromtensorflow.keras.layersimportConv2D,MaxPooling2D,Flatten,Dense,Dropoutfromtensorflow.keras.preprocessing.imageimportImageDataGeneratorimportmatplotlib.pyplotasplt#第一步：數(shù)據(jù)集加載與預(yù)處理#設(shè)置數(shù)據(jù)集路徑data_dir='data/face_mask_dataset'#你需要將這個路徑設(shè)置為你的數(shù)據(jù)集路徑categories=['with_mask','without_mask']#初始化數(shù)據(jù)列表data=[]labels=[]#加載數(shù)據(jù)集forcategoryincategories:path=os.path.join(data_dir,category)class_num=categories.index(category)forimginos.listdir(path):try:img_array=cv2.imread(os.path.join(path,img))img_resized=cv2.resize(img_array,(128,128))data.append(img_resized)labels.append(class_num)exceptExceptionase:print(f"無法加載圖片{img}:{e}")#數(shù)據(jù)歸一化data=np.array(data)/255.0labels=np.array(labels)#數(shù)據(jù)增強datagen=ImageDataGenerator(rotation_range=20,width_shift_range=0.2,height_shift_range=0.2,zoom_range=0.2,horizontal_flip=True,fill_mode='nearest')#應(yīng)用數(shù)據(jù)增強datagen.fit(data)#劃分訓(xùn)練集和驗證集train_data,val_data,train_labels,val_labels=train_test_split(data,labels,test_size=0.2,random_state=42)#第二步：構(gòu)建與訓(xùn)練CNN模型#構(gòu)建CNN模型model=Sequential([Conv2D(32,(3,3),activation='relu',input_shape=(128,128,3)),MaxPooling2D(pool_size=(2,2)),Conv2D(64,(3,3),activation='relu'),MaxPooling2D(pool_size=(2,2)),Conv2D(128,(3,3),activation='relu'),MaxPooling2D(pool_size=(2,2)),Flatten(),Dense(128,activation='relu'),Dropout(0.5),Dense(2,activation='softmax')])#編譯模型pile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])#模型訓(xùn)練history=model.fit(datagen.flow(train_data,train_labels,batch_size=32),epochs=20,validation_data=(val_data,val_labels))#保存模型model.save('face_mask_detector_pic_test.h5')#繪制訓(xùn)練和驗證準(zhǔn)確率曲線plt.plot(history.history['accuracy'],label='訓(xùn)練準(zhǔn)確率')plt.plot(history.history['val_accuracy'],label='驗證準(zhǔn)確率')plt.plot(history.history['loss'],label='訓(xùn)練損失')plt.plot(history.history['val_loss'],label='驗證損失')plt.legend()plt.xlabel('訓(xùn)練輪次')plt.ylabel('準(zhǔn)確率/損失')plt.title('模型訓(xùn)練過程')plt.show()#模型性能評估print("模型分類報告：")print(classification_report(val_labels,np.argmax(model.predict(val_data),axis=1)))print("混淆矩陣：")print(confusion_matrix(val_labels,np.argmax(model.predict(val_data),axis=1)))#第三步：加載模型并進(jìn)行單張圖片的口罩檢測#加載預(yù)訓(xùn)練模型model=load_model('face_mask_detector_pic_test.h5')#設(shè)置要測試的圖片路徑image_path='data/face_mask_dataset/with_mask/black2.jpg'#將此路徑替換為你要測試的圖片路徑#讀取并預(yù)處理圖片img=cv2.imread(image_path)img_resized=cv2.resize(img,(128,128))#調(diào)整圖像大小為模型輸入尺寸img_normalized=img_resized/255.0#數(shù)據(jù)歸一化img_expanded=np.expand_dims(img_normalized,axis=0)#增加批次維度#使用模型進(jìn)行預(yù)測prediction=model.predict(img_expanded)mask_status=np.argmax(prediction)#獲取預(yù)測結(jié)果（0表示佩戴口罩，1表示未佩戴口罩）#顯示結(jié)