2025年Python深度學習專項訓練試卷：實戰(zhàn)技能掌握考試時間：______分鐘總分：______分姓名：______一、請編寫Python代碼，使用PyTorch框架構建一個簡單的卷積神經(jīng)網(wǎng)絡（CNN）模型，用于輸入形狀為（1,1,28,28）的單通道灰度圖像，并輸出10個類別的分類結果。要求模型至少包含一個卷積層、一個池化層和全連接層。請展示模型結構的定義代碼。二、假設你使用PyTorch框架進行模型訓練，訓練數(shù)據(jù)通過`DataLoader`加載，其batchsize為32。請編寫Python代碼片段，實現(xiàn)一個基本的三層全連接神經(jīng)網(wǎng)絡模型的訓練過程。要求包含前向傳播、計算損失（使用交叉熵損失函數(shù)）、反向傳播和參數(shù)更新的步驟。假設模型參數(shù)、損失函數(shù)、優(yōu)化器（使用SGD，學習率為0.01）均已定義。三、你正在使用一個基于TensorFlow2.x構建的ResNet50模型進行圖像分類任務。請編寫Python代碼片段，實現(xiàn)以下功能：1.加載預訓練的ResNet50模型，并設置其包含的層數(shù)為50層。2.將模型的輸出層（全連接層）替換為一個新的全連接層，該新層的輸出維度為你任務的類別數(shù)（假設為100）。四、假設你使用PyTorch訓練了一個模型，并已保存了其最佳權重量（`best_model_weights.pth`）。請編寫Python代碼片段，加載該權重到模型中，并對一個單獨的驗證圖像進行前向推理。假設模型輸入圖像已預處理并加載為形狀為（1,3,224,224）的張量`val_image_tensor`。五、請編寫Python代碼，使用PyTorch實現(xiàn)一個簡單的數(shù)據(jù)增強流程。對輸入的圖像張量`input_image`（形狀為（3,H,W）），應用以下數(shù)據(jù)增強：1.隨機水平翻轉。2.隨機旋轉角度不超過15度。3.隨機亮度調(diào)整因子在[0.9,1.1]范圍內(nèi)。假設你已經(jīng)導入了必要的PyTorch變換模塊（如`torchvision.transforms`）。六、在一個文本分類任務中，你使用LSTM網(wǎng)絡作為模型。請簡述在PyTorch中，如何定義一個包含LSTM層的網(wǎng)絡模塊。你需要說明LSTM層的基本輸入?yún)?shù)（如隱藏層大小`hidden_size`、層數(shù)`num_layers`）以及如何初始化LSTM的初始隱藏狀態(tài)和細胞狀態(tài)。七、請簡述在使用深度學習模型進行預測時，為什么進行模型“凍結”（Freezing）是一種常見的工程實踐？在PyTorch中，簡述凍結模型參數(shù)的一種常用方法。八、你正在使用TensorFlow2.x進行模型訓練，訓練過程中遇到了過擬合現(xiàn)象。請列舉至少三種常用的正則化技術，并簡要說明每種技術的原理。九、請編寫Python代碼，使用TensorFlow2.x的`tf.data`API，從一個包含圖像路徑和對應標簽的列表中，構建一個數(shù)據(jù)加載管道。要求對圖像進行以下處理：解碼PNG圖像、調(diào)整大小為（224,224）、歸一化像素值到[0,1]范圍。假設圖像路徑列表為`image_paths`，標簽列表為`labels`，且標簽為整數(shù)。十、在評估一個深度學習模型時，除了準確率（Accuracy）之外，請列舉三個在分類任務（尤其是類別不平衡時）中常用的其他評估指標，并簡要說明選擇這些指標的原因。試卷答案一、```pythonimporttorch.nnasnnclassSimpleCNN(nn.Module):def__init__(self,num_classes=10):super(SimpleCNN,self).__init__()self.conv1=nn.Conv2d(1,16,kernel_size=3,padding=1)#示例參數(shù)self.relu=nn.ReLU()self.pool=nn.MaxPool2d(kernel_size=2,stride=2)self.fc1=nn.Linear(16*14*14,128)#假設池化后尺寸為14x14self.fc2=nn.Linear(128,num_classes)defforward(self,x):x=self.pool(self.relu(self.conv1(x)))x=torch.flatten(x,1)#展平x=self.relu(self.fc1(x))x=self.fc2(x)returnx```解析：題目要求構建一個PyTorchCNN模型，輸入(1,1,28,28)，輸出10類。模型需包含卷積層、池化層和全連接層。代碼定義了一個`SimpleCNN`類繼承自`nn.Module`。`__init__`方法中定義了：一個卷積層`conv1`（輸入通道1，輸出通道16，3x3kernel，padding=1保持尺寸），一個ReLU激活函數(shù)，一個最大池化層`pool`（2x2kernel，stride=2），兩個全連接層`fc1`和`fc2`。`forward`方法定義了數(shù)據(jù)前向傳播路徑：卷積->ReLU->池化->展平->第一個全連接->ReLU->第二個全連接。輸出層`fc2`的維度為`num_classes`（10），滿足輸出要求。二、```python#假設model是已經(jīng)定義好的模型#criterion是交叉熵損失函數(shù)，例如criterion=nn.CrossEntropyLoss()#optimizer是優(yōu)化器，例如optimizer=torch.optim.SGD(model.parameters(),lr=0.01)forinputs,targetsinDataLoader(train_dataset,batch_size=32):#train_dataset是訓練數(shù)據(jù)集optimizer.zero_grad()#清零梯度outputs=model(inputs)#前向傳播loss=criterion(outputs,targets)#計算損失loss.backward()#反向傳播optimizer.step()#更新參數(shù)```解析：題目要求實現(xiàn)PyTorch模型的基本訓練過程。代碼在一個循環(huán)內(nèi)遍歷`DataLoader`加載的訓練數(shù)據(jù)。每次循環(huán)：首先使用`optimizer.zero_grad()`清空上一步的梯度；然后通過`model(inputs)`進行前向傳播得到預測輸出`outputs`；接著使用`criterion(outputs,targets)`計算預測輸出與真實標簽`targets`之間的交叉熵損失；使用`loss.backward()`進行反向傳播，計算參數(shù)梯度；最后使用`optimizer.step()`根據(jù)計算出的梯度更新模型參數(shù)。這是標準的小批量梯度下降訓練流程。三、```pythonimporttensorflowastf#加載預訓練ResNet50模型，不包括頂層的全連接層base_model=tf.keras.applications.ResNet50(weights='imagenet',include_top=False,input_shape=(224,224,3))#凍結基模型的所有層base_model.trainable=False#創(chuàng)建新的模型頂層x=base_model.outputx=tf.keras.layers.GlobalAveragePooling2D()(x)new_output=tf.keras.layers.Dense(100,activation='softmax')(x)#假設100個類別#構建最終模型model=tf.keras.Model(inputs=base_model.input,outputs=new_output)#編譯模型（如果需要立即訓練）#pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])```解析：題目要求加載預訓練ResNet50并替換輸出層。代碼首先使用`tf.keras.applications.ResNet50`加載預訓練權重為'imagenet'的ResNet50模型，設置`include_top=False`以不包含原始的頂層全連接層，并指定輸入形狀。通過設置`base_model.trainable=False`凍結基模型的所有層，使其在當前步驟不被訓練。然后，從`base_model.output`獲取中間輸出，接一個全局平均池化層`GlobalAveragePooling2D`，最后接一個新的全連接層`Dense`，輸出維度為任務類別數(shù)（100），并使用softmax激活函數(shù)。最后，使用`tf.keras.Model`將原始輸入和新的輸出連接起來，構成完整的模型。四、```pythonimporttorch#假設model是已經(jīng)加載了權重的模型#val_image_tensor是預處理后的驗證圖像張量，形狀為(1,3,224,224)#確保模型處于評估模式model.eval()#使用torch.no_grad()減少內(nèi)存消耗和計算量withtorch.no_grad():predictions=model(val_image_tensor)```解析：題目要求加載模型權重并對單個圖像進行推理。代碼首先導入`torch`。假設`model`是已經(jīng)加載了權重（`best_model_weights.pth`）的模型實例，`val_image_tensor`是預處理好的輸入圖像張量。在推理前，關鍵步驟是調(diào)用`model.eval()`將模型設置為評估模式，這會關閉如Dropout、BatchNormalization等在訓練時用于正則化的層的行為，它們在評估時應處于固定狀態(tài)。然后，使用`torch.no_grad()`上下文管理器，在推理過程中不計算梯度，這可以節(jié)省內(nèi)存并加速計算。最后，將預處理后的圖像張量傳遞給模型進行前向傳播，得到`predictions`。五、```pythonimporttorchvision.transformsastransforms#假設input_image是形狀為(3,H,W)的PyTorch張量圖像#定義數(shù)據(jù)增強轉換序列transform=transforms.Compose([transforms.RandomHorizontalFlip(p=0.5),#50%概率水平翻轉transforms.RandomRotation(15,resample=False,expand=False,fillcolor=0),#最多旋轉15度transforms.ColorJitter(brightness=[0.9,1.1]),#亮度調(diào)整因子在[0.9,1.1]間])#應用轉換augmented_image=transform(input_image)```解析：題目要求實現(xiàn)PyTorch數(shù)據(jù)增強。代碼首先導入`torchvision.transforms`模塊。定義一個`transforms.Compose`對象來串聯(lián)多個變換操作。具體包括：`transforms.RandomHorizontalFlip(p=0.5)`，以50%的概率進行水平翻轉；`transforms.RandomRotation(15)`，隨機旋轉角度不超過15度（`resample=False`表示不重新采樣，`fillcolor=0`表示旋轉區(qū)域用0填充）；`transforms.ColorJitter(brightness=[0.9,1.1])`，調(diào)整亮度，因子范圍在0.9到1.1之間。`transforms.Compose`按照定義的順序應用這些變換。將`input_image`傳入`transform`函數(shù)，得到增強后的圖像`augmented_image`。六、定義網(wǎng)絡模塊：```pythonimporttorch.nnasnnclassLSTMDense(nn.Module):def__init__(self,input_size,hidden_size,num_layers,output_size):super(LSTMDense,self).__init__()self.lstm=nn.LSTM(input_size,hidden_size,num_layers,batch_first=True)self.fc=nn.Linear(hidden_size,output_size)defforward(self,x):#x:(batch_size,seq_length,input_size)#初始化隱藏狀態(tài)和細胞狀態(tài)為0h0=torch.zeros(num_layers,x.size(0),hidden_size).to(x.device)c0=torch.zeros(num_layers,x.size(0),hidden_size).to(x.device)#LSTM前向傳播out,_=self.lstm(x,(h0,c0))#out:(batch_size,seq_length,hidden_size)#取最后一個時間步的輸出out=out[:,-1,:]#全連接層out=self.fc(out)returnout```解析：題目要求定義包含LSTM層的PyTorch網(wǎng)絡模塊。代碼定義了一個`LSTMDense`類。`__init__`方法中定義了：一個LSTM層`self.lstm`，參數(shù)包括輸入特征維度`input_size`、隱藏層維度`hidden_size`、層數(shù)`num_layers`，以及`batch_first=True`（使輸入輸出張量形狀為(batch,seq,feature)）。一個全連接層`self.fc`，將LSTM的輸出連接到最終的輸出維度`output_size`。`forward`方法定義了前向傳播：首先初始化LSTM的初始隱藏狀態(tài)`h0`和細胞狀態(tài)`c0`為0，形狀為(num_layers,batch_size,hidden_size)，注意需要與輸入`x`位于同一設備。然后調(diào)用`self.lstm(x,(h0,c0))`進行前向傳播，得到輸出`out`和最終的隱藏狀態(tài)/細胞狀態(tài)。由于通常是分類任務，取序列最后一個時間步的輸出`out[:,-1,:]`。最后通過全連接層`self.fc`得到最終預測結果。七、原因：凍結模型（Freezing）是指在訓練過程中保持預訓練模型（通常是深度神經(jīng)網(wǎng)絡）的底層參數(shù)不變，只訓練添加的頂層或新增的參數(shù)。這樣做的主要原因是：1.知識遷移：預訓練模型在大型數(shù)據(jù)集上已經(jīng)學習到了通用的特征表示（如圖像的邊緣、紋理、形狀，或文本的語法、語義等）。凍結這些層可以保留這些有價值的預訓練特征，避免從頭開始訓練時丟失這些信息。2.減少計算量和內(nèi)存：凍結層不參與梯度計算和參數(shù)更新，大大減少了計算量、內(nèi)存消耗和GPU顯存占用。3.加速收斂：預訓練的底層特征對于目標任務通常是有用的，凍結它們可以使模型更快地收斂到較好的性能。4.處理小數(shù)據(jù)集：對于數(shù)據(jù)量較小的目標任務，從頭訓練模型容易過擬合。凍結預訓練層可以有效防止過擬合。PyTorch方法：```python#假設model是一個包含多層子模塊的模型，例如resnet_modelforparaminmodel.parameters():param.requires_grad=False#將所有參數(shù)的requires_grad設置為False，凍結所有層#假設只想凍結resnet_model的卷積基部分#forname,paraminresnet_model.base_model.parameters():#param.requires_grad=False#只凍結base_model的參數(shù)```解析：解析中說明了凍結的原因。在PyTorch中，凍結模型參數(shù)的關鍵是設置參數(shù)對象的`requires_grad`屬性為`False`?？梢酝ㄟ^遍歷模型的所有參數(shù)（`model.parameters()`），將它們?nèi)吭O置為`False`來凍結整個模型。如果想凍結模型的一部分（如ResNet的卷積基），可以訪問該部分的參數(shù)（如通過`model.base_model.parameters()`）并單獨設置其`requires_grad`為`False`。這樣，在后續(xù)的優(yōu)化器步驟中，這些參數(shù)的梯度不會被計算，也不會被更新。八、正則化技術及原理：1.L1正則化（Lasso）：向模型的損失函數(shù)添加一個與模型參數(shù)絕對值之和成正比的懲罰項（`λ*||θ||_1`）。L1正則化傾向于產(chǎn)生稀疏的參數(shù)集，即將許多參數(shù)值壓縮到精確為0，從而實現(xiàn)特征選擇的效果。2.L2正則化（Ridge）：向模型的損失函數(shù)添加一個與模型參數(shù)平方和成正比的懲罰項（`λ*||θ||_2^2`）。L2正則化傾向于將參數(shù)值縮小，使其分布更集中在零附近，但很少精確為零。這有助于減少模型復雜度，防止過擬合，并使模型更魯棒。3.Dropout：在訓練過程中，以一定的概率（如p=0.5）隨機地將神經(jīng)網(wǎng)絡中的一些神經(jīng)元的輸出設置為0。Dropout有效地模擬了神經(jīng)網(wǎng)絡中的“冗余連接”，迫使網(wǎng)絡學習更魯棒、更泛化的特征表示，因為它不能依賴任何一個特定的神經(jīng)元。4.數(shù)據(jù)增強（DataAugmentation）：對訓練數(shù)據(jù)進行一系列隨機、合理的變換（如旋轉、縮放、裁剪、顏色抖動等）來生成新的訓練樣本。這有效地增加了訓練數(shù)據(jù)的多樣性，增大了有效數(shù)據(jù)集的規(guī)模，提高了模型的泛化能力，是處理圖像等數(shù)據(jù)時常用的正則化手段。解析：解析列舉了三種（L1,L2,Dropout）及一種常用手段（數(shù)據(jù)增強）并解釋了其原理。L1通過懲罰絕對值和實現(xiàn)稀疏性。L2通過懲罰平方和使參數(shù)值變小。Dropout通過隨機禁用神經(jīng)元強制學習魯棒特征。數(shù)據(jù)增強通過增加數(shù)據(jù)多樣性提升泛化能力。九、```pythonimporttensorflowastf#假設image_paths是圖像文件路徑列表#假設labels是對應的標簽列表（整數(shù)）#batch_size是批次大小defload_image(path):image=tf.io.read_file(path)image=tf.image.decode_png(image,channels=3)#解碼為3通道圖像image=tf.image.resize(image,[224,224])#調(diào)整大小image=tf.cast(image,tf.float32)/255.0#歸一化到[0,1]returnimagedataset=tf.data.Dataset.from_tensor_slices((image_paths,labels))dataset=dataset.map(lambdapath,label:(load_image(path),label),num_parallel_calls=tf.data.AUTOTUNE)dataset=dataset.batch(batch_size)dataset=dataset.prefetch(buffer_size=tf.data.AUTOTUNE)#預取數(shù)據(jù)以提高效率```解析：題目要求使用TensorFlow`tf.data`API構建數(shù)據(jù)加載管道。代碼首先定義了一個`load_image`輔助函數(shù)，它接收圖像路徑，使用`tf.io.read_file`讀取文件，用`tf.image.decode_png`解碼為PNG圖像（假設是PNG格式，可改為`decode_jpeg`等），使用`tf.image.resize`調(diào)整圖像大小為224x224，最后將像素值從uint8轉換為float32并歸一化到[0,1]范圍。然后使用`tf.data.Dataset.from_tensor_slices`根據(jù)路徑和標簽列表創(chuàng)建數(shù)據(jù)集。使用`dataset.map`將`load_image`函數(shù)應用于每個路徑-標簽對，`num_parallel_calls=tf.data.AUTOTUNE`允許自動調(diào)整并行處理數(shù)量。