期末A卷一、單項(xiàng)選擇題1、新版Siri將集成哪個(gè)AI模型以提升其智能能力？A．GPT-3B．GPT-4C．GPT-4oD．BERT2、以下哪項(xiàng)不是華為手環(huán)在健康監(jiān)測(cè)中采用的技術(shù)？A.TruSeen?心率監(jiān)測(cè)技術(shù)B.TruSleep?睡眠監(jiān)測(cè)技術(shù)C.HUAWEITruSeen?5.0硬件光路升級(jí)D.HUAWEITrueVision?圖像識(shí)別技術(shù)3、以下哪項(xiàng)不屬于AI在娛樂(lè)和社交領(lǐng)域的應(yīng)用？A.推薦系統(tǒng)個(gè)性化內(nèi)容推送B.AI驅(qū)動(dòng)的虛擬角色在社交媒體中應(yīng)用C.智能導(dǎo)航系統(tǒng)D.Netflix電影推薦系統(tǒng)4、人工智能醫(yī)療器械檢驗(yàn)檢測(cè)公共服務(wù)平臺(tái)成立的目的是什么？A.促進(jìn)醫(yī)學(xué)人工智能產(chǎn)品研發(fā)和落地。B.頒發(fā)“2023年度醫(yī)學(xué)人工智能優(yōu)秀應(yīng)用案例”獎(jiǎng)項(xiàng)。C.發(fā)布國(guó)家藥監(jiān)局器審中心人工智能醫(yī)療器械創(chuàng)新合作平臺(tái)。D.建立智能化的零售供應(yīng)鏈系統(tǒng)。5、下列哪個(gè)項(xiàng)目獲得了“2023年度醫(yī)學(xué)人工智能創(chuàng)新應(yīng)用典型案例”？A.智能供應(yīng)鏈系統(tǒng)2.0。B.京東到家Go的智能貨柜技術(shù)。C.基于人工智能的多源異構(gòu)醫(yī)療數(shù)據(jù)融合治理與應(yīng)用。D.全流程數(shù)智化VTE管控平臺(tái)助力醫(yī)療安全。6、下列哪一項(xiàng)不屬于TensorFlow的核心專(zhuān)有名詞？A．張量B．計(jì)算圖C．會(huì)話(huà)D．優(yōu)化器7、PyTorch的計(jì)算圖是：A．靜態(tài)的B．動(dòng)態(tài)的C．固定的D．可視化的8、Keras是由以下哪個(gè)公司開(kāi)發(fā)的？A．GoogleB．FacebookC．MicrosoftD．Amazon9、Caffe2是由以下哪個(gè)公司開(kāi)發(fā)的？A．GoogleB．FacebookC．MicrosoftD．Amazon10、Prolog是基于以下哪種邏輯的編程語(yǔ)言？A．二階謂詞邏輯B．模態(tài)邏輯C．一階謂詞邏輯D．?dāng)?shù)理邏輯11、下列哪項(xiàng)不屬于線(xiàn)性回歸的假設(shè)？A．誤差項(xiàng)的正態(tài)性B．自變量之間的多重共線(xiàn)性C．誤差項(xiàng)的同方差性D．線(xiàn)性關(guān)系12、以下哪個(gè)模型主要用于數(shù)據(jù)的降維？A．邏輯回歸B．支持向量機(jī)C．核主成分分析（KPCA）D．隨機(jī)森林13、支持向量機(jī)（SVM）通過(guò)什么方法來(lái)處理線(xiàn)性不可分的數(shù)據(jù)？A．損失函數(shù)B．核技巧C．梯度下降D．最大似然估計(jì)14、以下哪種核函數(shù)將輸入數(shù)據(jù)映射到一個(gè)無(wú)限維的特征空間？A．線(xiàn)性核B．多項(xiàng)式核C．RBF核D．Sigmoid核15、決策樹(shù)剪枝的主要目的是為了：A．增加模型的復(fù)雜度B．減少模型的訓(xùn)練時(shí)間C．防止過(guò)擬合D．增加模型的預(yù)測(cè)精度16、RNN中容易出現(xiàn)的問(wèn)題是什么？A．梯度消失或梯度爆炸B．無(wú)法處理序列數(shù)據(jù)C．無(wú)法捕捉短期依賴(lài)關(guān)系D．無(wú)法處理非線(xiàn)性數(shù)據(jù)17、以下哪種網(wǎng)絡(luò)結(jié)構(gòu)能夠同時(shí)考慮序列的前后文信息？A．標(biāo)準(zhǔn)RNNB．雙向RNNC．前向RNND．循環(huán)神經(jīng)網(wǎng)絡(luò)18、GRU中的哪個(gè)門(mén)結(jié)構(gòu)用來(lái)控制前一時(shí)刻隱藏狀態(tài)對(duì)當(dāng)前隱藏狀態(tài)的影響？A．遺忘門(mén)B．輸入門(mén)C．重置門(mén)D．更新門(mén)19、LSTM中，哪個(gè)門(mén)結(jié)構(gòu)負(fù)責(zé)決定哪些信息應(yīng)被遺忘？A．輸入門(mén)B．遺忘門(mén)C．輸出門(mén)D．重置門(mén)20、LSTM通過(guò)什么來(lái)有效地管理信息的流動(dòng)和遺忘？A．線(xiàn)性結(jié)構(gòu)B．門(mén)結(jié)構(gòu)C．循環(huán)結(jié)構(gòu)D．非線(xiàn)性激活函數(shù)二、填空題1、新質(zhì)生產(chǎn)力的本質(zhì)是______。2、Siri可以記住用戶(hù)之前的對(duì)話(huà)內(nèi)容，這是因?yàn)樗邆鋉_________功能。3、京東到家Go的智能貨柜3.0利用__________技術(shù)實(shí)現(xiàn)了動(dòng)態(tài)視覺(jué)識(shí)別和重力感應(yīng)的雙重互補(bǔ)。4、海燕系統(tǒng)在交通管理中通過(guò)__________算法對(duì)車(chē)輛行為進(jìn)行分析。5、AI在零售業(yè)的應(yīng)用包括智能客服、精準(zhǔn)營(yíng)銷(xiāo)和__________管理。6、Matplotlib通過(guò)提供豐富的繪圖函數(shù)和靈活的自定義選項(xiàng)，成為了________領(lǐng)域的重要工具。7、Scikit-learn庫(kù)包含的主要算法包括監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和________。8、NumPy的________機(jī)制極大地簡(jiǎn)化了數(shù)組操作的復(fù)雜性。9、Prolog的推理引擎通過(guò)_______、遞歸定義、自動(dòng)回溯和控制回溯等機(jī)制實(shí)現(xiàn)問(wèn)題的求解。10、TensorFlow的會(huì)話(huà)提供了_______和常規(guī)會(huì)話(huà)兩種類(lèi)型。三、判斷題1、在基于模型的遷移中，共享模型參數(shù)無(wú)法通過(guò)微調(diào)來(lái)快速適應(yīng)新的任務(wù)。2、支持向量機(jī)通過(guò)解決凸二次規(guī)劃問(wèn)題來(lái)找到最優(yōu)超平面。3、核模型不允許算法在更高維或更復(fù)雜的特征空間中操作。4、高斯過(guò)程可以看作是一個(gè)無(wú)限維的高斯分布。5、決策樹(shù)模型由節(jié)點(diǎn)和無(wú)向邊組成。6、全連接層的每個(gè)神經(jīng)元都與前一層的所有神經(jīng)元相連接，因此參數(shù)數(shù)量較多，容易產(chǎn)生過(guò)擬合現(xiàn)象。7、RNN的循環(huán)特性使其不適合處理需要考慮歷史信息的任務(wù)。8、在處理長(zhǎng)序列時(shí)，RNN容易遇到梯度消失和梯度爆炸的問(wèn)題。9、雙向RNN通過(guò)結(jié)合前向和后向RNN的輸出，使得模型能夠考慮整個(gè)序列的上下文。10、RNN的反向傳播算法稱(chēng)為隨時(shí)間反向傳播（BPTT），它將RNN在時(shí)間序列上展開(kāi)成等價(jià)的前饋神經(jīng)網(wǎng)絡(luò)。四、簡(jiǎn)答題1、人工智能的感官已經(jīng)實(shí)際應(yīng)用在很多領(lǐng)域，請(qǐng)舉出三個(gè)例子，并思考其未來(lái)會(huì)怎樣發(fā)展。2、在符號(hào)主義視角下，人工智能系統(tǒng)如何通過(guò)邏輯推理來(lái)解決一個(gè)復(fù)雜的決策問(wèn)題？請(qǐng)給出一個(gè)簡(jiǎn)化的例子3、在開(kāi)發(fā)一個(gè)具有高級(jí)邏輯推理能力的醫(yī)療診斷輔助系統(tǒng)時(shí)，如何平衡符號(hào)主義與連接主義的優(yōu)勢(shì)？4、為什么知識(shí)的動(dòng)態(tài)性對(duì)人工智能系統(tǒng)至關(guān)重要？5、如何構(gòu)建基于規(guī)則的演繹推理系統(tǒng)？五、上機(jī)題1、編寫(xiě)一個(gè)簡(jiǎn)單的基于規(guī)則的專(zhuān)家系統(tǒng)任務(wù)描述在人工智能的應(yīng)用領(lǐng)域中，專(zhuān)家系統(tǒng)是一種重要的知識(shí)表達(dá)與推理工具，它的核心在于通過(guò)模擬專(zhuān)家的決策過(guò)程，利用已有的知識(shí)庫(kù)和規(guī)則推理機(jī)制，為用戶(hù)提供類(lèi)似專(zhuān)家的建議或解決方案。常用規(guī)則集如下：rules=[{"癥狀":"發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)","原因":"電池沒(méi)電","規(guī)則":"如果發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)并且聽(tīng)不到啟動(dòng)聲音，那么可能是電池沒(méi)電。"},{"癥狀":"發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)","原因":"油箱沒(méi)油","規(guī)則":"如果發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)并且油表顯示油箱空，那么可能是油箱沒(méi)油。"},{"癥狀":"發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)","原因":"火花塞故障","規(guī)則":"如果發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)并且電池有電，可能是火花塞故障。"},{"癥狀":"燈光不亮","原因":"燈泡燒壞","規(guī)則":"如果燈光不亮且其他電氣設(shè)備工作正常，那么可能是燈泡燒壞。"},{"癥狀":"燈光不亮","原因":"電池沒(méi)電","規(guī)則":"如果燈光不亮且其他電氣設(shè)備也不工作，那么可能是電池沒(méi)電。"},{"癥狀":"剎車(chē)失靈","原因":"剎車(chē)油不足","規(guī)則":"如果剎車(chē)失靈并且剎車(chē)踏板很軟，那么可能是剎車(chē)油不足。"},{"癥狀":"剎車(chē)失靈","原因":"剎車(chē)片磨損","規(guī)則":"如果剎車(chē)失靈并且剎車(chē)時(shí)有噪音，那么可能是剎車(chē)片磨損。"}任務(wù)目標(biāo)（1）使用Python程序設(shè)計(jì)語(yǔ)言設(shè)計(jì)并實(shí)現(xiàn)一個(gè)簡(jiǎn)單的基于以上規(guī)則的汽車(chē)故障診斷專(zhuān)家系統(tǒng)。2、構(gòu)建并訓(xùn)練一個(gè)交通標(biāo)識(shí)識(shí)別模型任務(wù)描述交通標(biāo)識(shí)識(shí)別系統(tǒng)是智能駕駛技術(shù)中至關(guān)重要的組成部分，也是人工智能領(lǐng)域的一項(xiàng)關(guān)鍵應(yīng)用。該系統(tǒng)通過(guò)攝像頭采集道路交通標(biāo)識(shí)的圖像，并利用深度學(xué)習(xí)模型對(duì)其進(jìn)行分類(lèi)和識(shí)別，從而為自動(dòng)駕駛系統(tǒng)提供實(shí)時(shí)的交通標(biāo)識(shí)信息。本任務(wù)中，我們需要使用Python程序設(shè)計(jì)語(yǔ)言及深度學(xué)習(xí)框架TensorFlow和Keras來(lái)構(gòu)建并訓(xùn)練一個(gè)交通標(biāo)識(shí)識(shí)別模型。任務(wù)目標(biāo)（1）通過(guò)命令行安裝TensorFlow、NumPy、Scipy、Pillow第三方庫(kù)（2）下載并解壓GTSRB數(shù)據(jù)集，數(shù)據(jù)集下載鏈接如下：https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/GTSRB_Final_Training_Images.zip（3）使用Keras的ImageDataGenerator進(jìn)行數(shù)據(jù)增強(qiáng)和預(yù)處理（4）構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，包括添加卷積層和池化層、添加全連接層、編譯模型等操作。（5）完成模型訓(xùn)練、保存模型、模型評(píng)估以及測(cè)試模型的相關(guān)代碼。期末A卷答案解析一、單項(xiàng)選擇題1.C2.D3.C4.A5.C6.D7.B8.A9.B10.C11.B12.C13.B14.C15.C16.A17.B18.D19.B20.B二、填空題1.先進(jìn)生產(chǎn)力 2.上文理解與記憶3.AI 4.智能分析5.庫(kù)存 6.數(shù)據(jù)處理和可視化7.模型選擇 8.廣播9.匹配 10.交互式會(huì)話(huà)三、判斷題1.錯(cuò)誤（在基于模型的遷移中，共享模型參數(shù)可以通過(guò)微調(diào)來(lái)快速適應(yīng)新的任務(wù)）2.正確3.錯(cuò)誤（核模型允許算法在更高維或更復(fù)雜的特征空間中操作）4.正確5.錯(cuò)誤（決策樹(shù)模型由節(jié)點(diǎn)和有向邊組成，而非無(wú)向邊）6.正確7.錯(cuò)誤（RNN的循環(huán)特性使其非常適合處理需要考慮歷史信息的任務(wù)）8.正確9.正確10.正確四、簡(jiǎn)答題1.（1）自動(dòng)駕駛汽車(chē),人工智能的視覺(jué)和感知系統(tǒng)在自動(dòng)駕駛汽車(chē)中扮演關(guān)鍵角色，幫助車(chē)輛感知道路、識(shí)別交通標(biāo)志和其他車(chē)輛，未來(lái)隨著技術(shù)的進(jìn)步，自動(dòng)駕駛車(chē)輛的安全性和智能性將不斷提升，逐步實(shí)現(xiàn)更高級(jí)別的自動(dòng)化。（2）智能家居,智能語(yǔ)音助手和視覺(jué)感知技術(shù)已經(jīng)廣泛應(yīng)用于智能家居設(shè)備中，例如智能攝像頭、智能燈具等，未來(lái)這些系統(tǒng)將更加智能化，能夠根據(jù)用戶(hù)的行為和偏好提供個(gè)性化的服務(wù)和控制。（3）醫(yī)療影像分析,人工智能在醫(yī)療領(lǐng)域的應(yīng)用包括醫(yī)療影像分析，如CT和MRI圖像的自動(dòng)識(shí)別和分析，未來(lái)隨著深度學(xué)習(xí)和模式識(shí)別算法的進(jìn)步，這些技術(shù)將在輔助醫(yī)生診斷和治療方面發(fā)揮越來(lái)越重要的作用。2.符號(hào)主義視角強(qiáng)調(diào)邏輯推理和符號(hào)處理的重要性，這對(duì)于處理復(fù)雜的決策問(wèn)題尤為關(guān)鍵。例如，考慮一個(gè)人工智能系統(tǒng)需要為一個(gè)機(jī)器人設(shè)計(jì)路徑規(guī)劃，以避開(kāi)障礙物并盡可能快地到達(dá)目標(biāo)。系統(tǒng)首先利用傳感器數(shù)據(jù)獲取環(huán)境信息，將其符號(hào)化為地圖和障礙物位置的符號(hào)表示。然后，系統(tǒng)使用邏輯規(guī)則進(jìn)行推理和決策，生成最佳路徑并更新執(zhí)行計(jì)劃，以實(shí)現(xiàn)安全和高效的移動(dòng)。3.在醫(yī)療診斷系統(tǒng)中，平衡符號(hào)主義和連接主義的優(yōu)勢(shì)至關(guān)重要，以確保系統(tǒng)能夠準(zhǔn)確且有效地處理醫(yī)學(xué)數(shù)據(jù)和復(fù)雜的診斷任務(wù)。符號(hào)主義可以用于建立醫(yī)學(xué)知識(shí)的形式化表示，例如疾病-癥狀關(guān)系和治療方案的邏輯規(guī)則。連接主義則可以通過(guò)深度學(xué)習(xí)模型從大量的醫(yī)療數(shù)據(jù)中學(xué)習(xí)模式和特征。平衡的關(guān)鍵在于將這兩種方法結(jié)合起來(lái)，例如使用連接主義模型從數(shù)據(jù)中學(xué)習(xí)潛在的疾病模式，然后結(jié)合符號(hào)主義的規(guī)則進(jìn)行推理和解釋?zhuān)岣呦到y(tǒng)的診斷準(zhǔn)確性和透明度。4.知識(shí)的動(dòng)態(tài)性反映了知識(shí)會(huì)隨著新信息的獲取和舊知識(shí)的更新而不斷發(fā)展變化。人工智能系統(tǒng)需要適應(yīng)這種動(dòng)態(tài)性，具備自學(xué)習(xí)和自適應(yīng)能力，才能保持知識(shí)的時(shí)效性和準(zhǔn)確性，并持續(xù)提高性能。5.構(gòu)建基于規(guī)則的演繹推理系統(tǒng)需要建立一個(gè)規(guī)則庫(kù)，定義每個(gè)規(guī)則的前提和結(jié)論。輸入前提后，系統(tǒng)匹配規(guī)則庫(kù)中的規(guī)則，并根據(jù)匹配的規(guī)則進(jìn)行推理，得出結(jié)論。五、上機(jī)題1、編寫(xiě)一個(gè)簡(jiǎn)單的基于規(guī)則的專(zhuān)家系統(tǒng)參考答案#汽車(chē)故障診斷專(zhuān)家系統(tǒng)#定義規(guī)則庫(kù)rules=[{"癥狀":"發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)","原因":"電池沒(méi)電","規(guī)則":"如果發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)并且聽(tīng)不到啟動(dòng)聲音，那么可能是電池沒(méi)電。"},{"癥狀":"發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)","原因":"油箱沒(méi)油","規(guī)則":"如果發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)并且油表顯示油箱空，那么可能是油箱沒(méi)油。"},{"癥狀":"發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)","原因":"火花塞故障","規(guī)則":"如果發(fā)動(dòng)機(jī)無(wú)法啟動(dòng)并且電池有電，可能是火花塞故障。"},{"癥狀":"燈光不亮","原因":"燈泡燒壞","規(guī)則":"如果燈光不亮且其他電氣設(shè)備工作正常，那么可能是燈泡燒壞。"},{"癥狀":"燈光不亮","原因":"電池沒(méi)電","規(guī)則":"如果燈光不亮且其他電氣設(shè)備也不工作，那么可能是電池沒(méi)電。"},{"癥狀":"剎車(chē)失靈","原因":"剎車(chē)油不足","規(guī)則":"如果剎車(chē)失靈并且剎車(chē)踏板很軟，那么可能是剎車(chē)油不足。"},{"癥狀":"剎車(chē)失靈","原因":"剎車(chē)片磨損","規(guī)則":"如果剎車(chē)失靈并且剎車(chē)時(shí)有噪音，那么可能是剎車(chē)片磨損。"}]#推理引擎definfer(symptom,observations):possible_causes=[]forruleinrules:ifrule["癥狀"]==symptom:ifall(obsinrule["規(guī)則"]forobsinobservations):possible_causes.append(rule["原因"])print(f"推理結(jié)果:{rule['規(guī)則']}")returnpossible_causes#用戶(hù)輸入defdiagnose():symptom=input("請(qǐng)輸入汽車(chē)的癥狀:")observations=input("請(qǐng)描述你觀察到的情況(用空格分隔):").split()causes=infer(symptom,observations)ifcauses:print(f"可能的原因:{','.join(causes)}")else:print("無(wú)法診斷出故障原因，請(qǐng)檢查輸入或聯(lián)系專(zhuān)業(yè)人員。")#執(zhí)行診斷diagnose()2、構(gòu)建并訓(xùn)練一個(gè)交通標(biāo)識(shí)識(shí)別模型參考答案importosimporturllib.requestimportzipfilefromtensorflow.keras.preprocessing.imageimportImageDataGeneratorfromtensorflow.keras.modelsimportSequentialfromtensorflow.keras.layersimportConv2D,MaxPooling2D,Flatten,Dense,Dropoutfromtensorflow.keras.preprocessingimportimageimportnumpyasnp#步驟1：下載并解壓GTSRB數(shù)據(jù)集url='https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/GTSRB_Final_Training_Images.zip'dataset_path='GTSRB.zip'#檢查數(shù)據(jù)集是否已下載ifnotos.path.exists(dataset_path):print("正在下載數(shù)據(jù)集...")urllib.request.urlretrieve(url,dataset_path)#解壓數(shù)據(jù)集ifnotos.path.exists('GTSRB'):withzipfile.ZipFile(dataset_path,'r')aszip_ref:zip_ref.extractall('GTSRB')print("數(shù)據(jù)集解壓完成。")#步驟2：數(shù)據(jù)預(yù)處理#使用Keras的ImageDataGenerator進(jìn)行數(shù)據(jù)增強(qiáng)和預(yù)處理datagen=ImageDataGenerator(rescale=1./255,#數(shù)據(jù)歸一化rotation_range=10,#隨機(jī)旋轉(zhuǎn)角度width_shift_range=0.1,#隨機(jī)水平平移height_shift_range=0.1,#隨機(jī)垂直平移zoom_range=0.2,#隨機(jī)縮放horizontal_flip=False,#不進(jìn)行水平翻轉(zhuǎn)validation_split=0.2#劃分20%數(shù)據(jù)為驗(yàn)證集)train_generator=datagen.flow_from_directory('GTSRB/Final_Training/Images',target_size=(32,32),#調(diào)整圖像大小batch_size=32,class_mode='categorical',#多類(lèi)別標(biāo)簽subset='training')validation_generator=datagen.flow_from_directory('GTSRB/Final_Training/Images',target_size=(32,32),batch_size=32,class_mode='categorical',subset='validation')#步驟3：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型model=Sequential()#添加卷積層和池化層model.add(Conv2D(32,(3,3),activation='relu',input_shape=(32,32,3)))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))model.add(Conv2D(64,(3,3),activation='relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))model.add(Conv2D(128,(3,3),activation='relu'))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Dropout(0.25))#添加全連接層model.add(Flatten())model.add(Dense(128,activation='relu'))model.add(Dropout(0.5))model.add(Dense(43,activation='softmax'))#43類(lèi)交通標(biāo)識(shí)#編譯模型pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])#步驟4：模型訓(xùn)練history=model.fit(train_generator,epochs=30,#迭代次數(shù)，可以根據(jù)實(shí)際情況調(diào)整validation_data=validation_generator)#步驟5：保存模型model.save('traffic_sign_recognition_model.h5')print("模型已保存為'traffic_sign_recognition_model.h5'。")#步驟6：模型評(píng)估#評(píng)估模型在驗(yàn)證集上的表現(xiàn)loss,accuracy=model.evaluate(validation_generator)print(f'驗(yàn)證集準(zhǔn)確率:{accuracy:.4f}')#步驟7：測(cè)試模型#加載并測(cè)試單張圖像sample_image_path='GTSRB/Final_Training/Images/00000/00000_00001.ppm'#替換為自己本地的測(cè)試圖像路徑img=image.load_img(sample_image_path,target_size=(32,32))img_array=image.img_to_array(img)/255.0img_array=np.expand_dims(img_array,axis=0)prediction=model.predict(img_array)predicted_class=np.argmax(prediction[0])print(f'預(yù)測(cè)類(lèi)別:{predicted_class}')期末B卷一、單項(xiàng)選擇題1、圖像預(yù)處理的主要目標(biāo)是什么？A．提高圖像的顏色B．增強(qiáng)圖像特征C．增加圖像大小D．減少圖像文件大小2、以下哪種方法可以有效去除椒鹽噪聲？A．高斯濾波B．中值濾波C．均值濾波D．邊緣檢測(cè)3、在圖像預(yù)處理中，以下哪種技術(shù)可以用于提升圖像的對(duì)比度？A．邊緣檢測(cè)B．直方圖均衡化C．平移變換D．旋轉(zhuǎn)變換4、哪種變換可以校正圖像的幾何失真？A．平移變換B．縮放變換C．旋轉(zhuǎn)變換D．幾何標(biāo)準(zhǔn)化5、圖像預(yù)處理中的“形態(tài)學(xué)操作”通常包括以下哪項(xiàng)？A．旋轉(zhuǎn)校正B．中值濾波C．膨脹與腐蝕D．平移變換6、自然語(yǔ)言處理的重要性體現(xiàn)在？A.提高語(yǔ)法分析的速度B.提高計(jì)算機(jī)與人類(lèi)自然交互的能力C.增加機(jī)器的處理速度D.減少硬件消耗7、LSTM相比于傳統(tǒng)RNN的優(yōu)勢(shì)是？A.更少的參數(shù)B.能處理長(zhǎng)序列依賴(lài)C.快速訓(xùn)練D.使用靜態(tài)數(shù)據(jù)8、NLP與計(jì)算機(jī)視覺(jué)結(jié)合的應(yīng)用不包括？A.圖像描述生成B.語(yǔ)法檢查C.圖文結(jié)合的場(chǎng)景理解D.圖片中的文本識(shí)別9、基于規(guī)則的自然語(yǔ)言處理方法的主要缺點(diǎn)是？A.靈活性不足B.效率低C.對(duì)大規(guī)模數(shù)據(jù)不適應(yīng)D.只能處理簡(jiǎn)單任務(wù)10、語(yǔ)義分析的核心任務(wù)之一是？A.詞性標(biāo)注B.詞義消歧C.數(shù)據(jù)清洗D.機(jī)器翻譯11、AIGC主要解決了什么問(wèn)題？A.人類(lèi)創(chuàng)作的低效率B.數(shù)據(jù)傳輸?shù)乃俣菴.語(yǔ)音識(shí)別的精準(zhǔn)度D.用戶(hù)體驗(yàn)的問(wèn)題12、視覺(jué)大模型的基礎(chǔ)技術(shù)是什么？A.卷積神經(jīng)網(wǎng)絡(luò)B.支持向量機(jī)C.邏輯推理D.自然語(yǔ)言處理13、哪項(xiàng)技術(shù)推動(dòng)了AIGC從實(shí)驗(yàn)性到實(shí)用性的轉(zhuǎn)變？A.深度學(xué)習(xí)B.圖像識(shí)別C.語(yǔ)音合成D.語(yǔ)音識(shí)別14、GANs的生成器與什么進(jìn)行博弈學(xué)習(xí)？A.判別器B.觀察器C.模型D.數(shù)據(jù)集15、Transformer架構(gòu)首次應(yīng)用于哪個(gè)領(lǐng)域？A.自然語(yǔ)言處理B.圖像識(shí)別C.語(yǔ)音識(shí)別D.音頻生成16、以下哪種技術(shù)不用于多模態(tài)大模型的訓(xùn)練？A.自監(jiān)督學(xué)習(xí)B.對(duì)比學(xué)習(xí)C.圖像壓縮D.數(shù)據(jù)增強(qiáng)17、大模型的“發(fā)展趨勢(shì)”不包括以下哪項(xiàng)？A.技術(shù)多元化B.智能化C.單一模態(tài)處理D.性能提升18、多模態(tài)大模型中的“特征提取與編碼”主要是：A.數(shù)據(jù)清洗B.特征融合C.將數(shù)據(jù)轉(zhuǎn)化為模型可理解的向量形式D.模型評(píng)估19、哪種任務(wù)不適合多模態(tài)大模型的應(yīng)用？A.圖像描述生成B.跨模態(tài)檢索C.線(xiàn)性回歸D.多模態(tài)情感分析20、大模型在推動(dòng)產(chǎn)業(yè)升級(jí)的作用主要表現(xiàn)在：A.提高生產(chǎn)力B.增加能耗C.數(shù)據(jù)隱私保護(hù)D.模型簡(jiǎn)化二、填空題1、圖像數(shù)字化過(guò)程中，取樣密度決定了圖像的________。2、在量化階段，每個(gè)像素的光強(qiáng)度或顏色值被轉(zhuǎn)換成計(jì)算機(jī)能夠存儲(chǔ)和處理的________數(shù)值。3、中值濾波器在去除______噪聲方面表現(xiàn)優(yōu)異。4、圖像中的模糊通常是由于______或焦點(diǎn)不準(zhǔn)引起的。5、在人臉識(shí)別任務(wù)中，______可以確保所有輸入圖像中的人臉大小一致。6、詞向量是將詞語(yǔ)轉(zhuǎn)換為低維_______的表示方法。7、Transformer模型主要依賴(lài)于_______層來(lái)實(shí)現(xiàn)信息的多頭注意力機(jī)制。8、N-gram是一種統(tǒng)計(jì)語(yǔ)言模型，用來(lái)估計(jì)詞匯序列的_______。9、Word2Vec中的CBOW模型基于上下文預(yù)測(cè)_______。10、RNN在處理長(zhǎng)序列依賴(lài)時(shí)會(huì)出現(xiàn)_______問(wèn)題，LSTM通過(guò)引入門(mén)控機(jī)制來(lái)解決這個(gè)問(wèn)題。三、判斷題1、深度學(xué)習(xí)不是通過(guò)模仿人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能進(jìn)行學(xué)習(xí)的。2、AIGC的生成效果依賴(lài)于大規(guī)模的數(shù)據(jù)集。3、OpenAI的DALL-E模型不是基于Transformer架構(gòu)的。4、StyleGAN是一種通過(guò)對(duì)抗學(xué)習(xí)生成圖像的模型。5、深度學(xué)習(xí)沒(méi)有推動(dòng)AIGC技術(shù)從實(shí)驗(yàn)性走向?qū)嶋H應(yīng)用。6、多模態(tài)技術(shù)的核心優(yōu)勢(shì)在于提供更全面的信息。7、GAN（生成對(duì)抗網(wǎng)絡(luò)）不主要用于處理圖像數(shù)據(jù)。8、大模型在自然語(yǔ)言處理中的應(yīng)用包括情感分析和文本生成。9、圖像數(shù)據(jù)處理的模型通常使用深度卷積神經(jīng)網(wǎng)絡(luò)。10、在多模態(tài)大模型中，數(shù)據(jù)預(yù)處理不包括標(biāo)準(zhǔn)化和清洗。四、簡(jiǎn)答題1、圖像數(shù)據(jù)處理層、圖像特征提取層和圖像識(shí)別分類(lèi)層如何協(xié)同工作以實(shí)現(xiàn)圖像理解？2、計(jì)算機(jī)視覺(jué)如何通過(guò)“增強(qiáng)人類(lèi)能力”來(lái)改變各行業(yè)的運(yùn)作方式？3、自監(jiān)督學(xué)習(xí)對(duì)計(jì)算機(jī)視覺(jué)的發(fā)展有何重要性？與傳統(tǒng)監(jiān)督學(xué)習(xí)相比，其優(yōu)勢(shì)在哪里？4、結(jié)合深度學(xué)習(xí)技術(shù)的優(yōu)勢(shì)與計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展歷程，思考未來(lái)的計(jì)算機(jī)視覺(jué)技術(shù)可能朝哪個(gè)方向發(fā)展？5、在圖像數(shù)字化過(guò)程中，如何在保證圖像質(zhì)量的前提下，優(yōu)化存儲(chǔ)和傳輸效率？五、上機(jī)題1、使用OpenCV實(shí)現(xiàn)基礎(chǔ)圖像操作任務(wù)描述計(jì)算機(jī)視覺(jué)作為人工智能的重要分支之一，其核心在于讓計(jì)算機(jī)能夠從圖像或視頻中提取、分析和理解有用的信息。本次任務(wù)的目的在于通過(guò)使用OpenCV計(jì)算機(jī)視覺(jué)庫(kù)，掌握基礎(chǔ)圖像操作。本任務(wù)中，我們將使用OpenCV進(jìn)行圖像的讀取、顯示、灰度化、模糊化、邊緣檢測(cè)等基礎(chǔ)操作。任務(wù)目標(biāo)（1）安裝OpenCV庫(kù)（2）使用OpenCV讀取和顯示圖像（3）使用OpenCV完成顏色空間的轉(zhuǎn)換（4）使用OpenCV實(shí)現(xiàn)灰度化處理（5）使用OpenCV進(jìn)行模糊化處理（6）使用OpenCV進(jìn)行邊緣檢測(cè)2、文本分詞與詞性標(biāo)注項(xiàng)目實(shí)戰(zhàn)任務(wù)描述自然語(yǔ)言處理是人工智能領(lǐng)域中最具潛力的研究方向之一。文本分詞和詞性標(biāo)注則是自然語(yǔ)言處理中最基礎(chǔ)且最關(guān)鍵的技術(shù)環(huán)節(jié)。本次的任務(wù)，我們將通過(guò)Python編程語(yǔ)言和相關(guān)的自然語(yǔ)言處理框架實(shí)現(xiàn)一個(gè)簡(jiǎn)單的文本分詞與詞性標(biāo)注系統(tǒng)任務(wù)目標(biāo)（1）安裝相關(guān)的第三方庫(kù)jieba庫(kù)（2）使用jieba庫(kù)實(shí)現(xiàn)中文文本分詞（3）使用NLTK庫(kù)實(shí)現(xiàn)對(duì)分詞后的文本進(jìn)行詞性標(biāo)注期末B卷答案解析一、單項(xiàng)選擇題1.B2.B3.B4.D5.C6.B7.B8.B9.A10.B11.A12.A13.A14.A15.A16.C17.C18.C19.C20.A二、填空題1.分辨率 2.離散3.椒鹽 4.相機(jī)抖動(dòng)5.尺度歸一化 6.向量7.自注意力 8.概率9.中心詞 10.梯度消失三、判斷題1.錯(cuò)誤（深度學(xué)習(xí)是通過(guò)模仿人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能進(jìn)行學(xué)習(xí)的）2.正確3.錯(cuò)誤（OpenAI的DALL-E模型是基于Transformer架構(gòu)的）4.正確5.錯(cuò)誤（深度學(xué)習(xí)推動(dòng)了AIGC技術(shù)從實(shí)驗(yàn)性走向?qū)嶋H應(yīng)用）6.正確7.錯(cuò)誤（GAN主要用于處理圖像數(shù)據(jù)）8.正確9.正確10.錯(cuò)誤（在多模態(tài)大模型中，數(shù)據(jù)預(yù)處理包括標(biāo)準(zhǔn)化和清洗）四、簡(jiǎn)答題1.圖像數(shù)據(jù)處理層對(duì)原始圖像進(jìn)行預(yù)處理，生成高質(zhì)量輸入；圖像特征提取層從中提取有意義的特征；圖像識(shí)別分類(lèi)層則分析并歸類(lèi)這些特征，從而實(shí)現(xiàn)對(duì)圖像的理解和語(yǔ)義分析。2.計(jì)算機(jī)視覺(jué)通過(guò)自動(dòng)化任務(wù)、提高效率和準(zhǔn)確性，顯著增強(qiáng)了人類(lèi)在各個(gè)領(lǐng)域的