人工智能崗位招聘筆試題及解答(某大型央企)2025年一、選擇題1.以下哪種算法不屬于無監(jiān)督學(xué)習(xí)算法？()A.聚類算法B.主成分分析C.支持向量機(jī)D.自編碼器答案：C解析：無監(jiān)督學(xué)習(xí)是指在沒有標(biāo)簽數(shù)據(jù)的情況下，讓模型自動發(fā)現(xiàn)數(shù)據(jù)中的模式和結(jié)構(gòu)。聚類算法用于將數(shù)據(jù)點(diǎn)分組，主成分分析用于數(shù)據(jù)降維，自編碼器用于學(xué)習(xí)數(shù)據(jù)的表示，它們都屬于無監(jiān)督學(xué)習(xí)。而支持向量機(jī)是一種有監(jiān)督學(xué)習(xí)算法，需要有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練。2.在深度學(xué)習(xí)中，以下哪種激活函數(shù)可以緩解梯度消失問題？()A.Sigmoid函數(shù)B.Tanh函數(shù)C.ReLU函數(shù)D.Softmax函數(shù)答案：C解析：Sigmoid函數(shù)和Tanh函數(shù)在輸入值較大或較小時，導(dǎo)數(shù)趨近于0，容易導(dǎo)致梯度消失問題。Softmax函數(shù)主要用于多分類問題的輸出層，將輸出轉(zhuǎn)換為概率分布。ReLU函數(shù)（RectifiedLinearUnit）在輸入大于0時，導(dǎo)數(shù)為1，能夠有效緩解梯度消失問題，在深度學(xué)習(xí)中被廣泛使用。3.以下哪個庫是專門用于深度學(xué)習(xí)的Python庫？()A.NumPyB.PandasC.Scikit-learnD.PyTorch答案：D解析：NumPy是Python中用于科學(xué)計(jì)算的基礎(chǔ)庫，提供了多維數(shù)組對象和各種數(shù)學(xué)函數(shù)。Pandas是用于數(shù)據(jù)處理和分析的庫，提供了數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)操作工具。Scikit-learn是一個機(jī)器學(xué)習(xí)庫，包含了各種機(jī)器學(xué)習(xí)算法和工具。PyTorch是一個專門用于深度學(xué)習(xí)的Python庫，提供了動態(tài)計(jì)算圖、自動求導(dǎo)等功能，方便構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型。4.以下哪種數(shù)據(jù)增強(qiáng)方法不適合用于圖像分類任務(wù)？()A.隨機(jī)裁剪B.隨機(jī)旋轉(zhuǎn)C.隨機(jī)加噪D.特征提取答案：D解析：數(shù)據(jù)增強(qiáng)是指通過對原始數(shù)據(jù)進(jìn)行一系列變換，生成更多的訓(xùn)練數(shù)據(jù)，以提高模型的泛化能力。隨機(jī)裁剪、隨機(jī)旋轉(zhuǎn)和隨機(jī)加噪都是常見的圖像數(shù)據(jù)增強(qiáng)方法，可以增加數(shù)據(jù)的多樣性。而特征提取是從數(shù)據(jù)中提取有用信息的過程，不屬于數(shù)據(jù)增強(qiáng)方法。5.在強(qiáng)化學(xué)習(xí)中，以下哪個概念表示智能體在某個狀態(tài)下采取某個動作后獲得的即時獎勵？()A.狀態(tài)價值函數(shù)B.動作價值函數(shù)C.獎勵函數(shù)D.策略函數(shù)答案：C解析：狀態(tài)價值函數(shù)表示在某個狀態(tài)下，遵循某個策略時智能體的長期累積獎勵的期望。動作價值函數(shù)表示在某個狀態(tài)下采取某個動作后，遵循某個策略時智能體的長期累積獎勵的期望。獎勵函數(shù)是環(huán)境在智能體采取某個動作后給予的即時獎勵。策略函數(shù)是智能體根據(jù)當(dāng)前狀態(tài)選擇動作的規(guī)則。6.以下哪種神經(jīng)網(wǎng)絡(luò)架構(gòu)最適合處理序列數(shù)據(jù)？()A.卷積神經(jīng)網(wǎng)絡(luò)（CNN）B.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）C.多層感知機(jī)（MLP）D.自編碼器答案：B解析：卷積神經(jīng)網(wǎng)絡(luò)（CNN）主要用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，如圖像。多層感知機(jī)（MLP）是一種前饋神經(jīng)網(wǎng)絡(luò)，不適合處理序列數(shù)據(jù)中的時間依賴關(guān)系。自編碼器主要用于數(shù)據(jù)的表示學(xué)習(xí)。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）具有循環(huán)結(jié)構(gòu)，能夠處理序列數(shù)據(jù)中的時間依賴關(guān)系，在自然語言處理、語音識別等領(lǐng)域有廣泛應(yīng)用。7.在自然語言處理中，以下哪種方法用于將文本轉(zhuǎn)換為向量表示？()A.詞袋模型B.命名實(shí)體識別C.詞性標(biāo)注D.句法分析答案：A解析：詞袋模型是一種簡單的文本表示方法，將文本看作是一個詞的集合，忽略詞的順序，通過統(tǒng)計(jì)每個詞的出現(xiàn)頻率來表示文本。命名實(shí)體識別是識別文本中的命名實(shí)體，如人名、地名、組織機(jī)構(gòu)名等。詞性標(biāo)注是為文本中的每個詞標(biāo)注其詞性。句法分析是分析文本的語法結(jié)構(gòu)。8.以下哪種優(yōu)化算法在訓(xùn)練深度學(xué)習(xí)模型時通常具有更快的收斂速度？()A.隨機(jī)梯度下降（SGD）B.動量隨機(jī)梯度下降（MomentumSGD）C.AdagradD.Adam答案：D解析：隨機(jī)梯度下降（SGD）是最基本的優(yōu)化算法，但收斂速度較慢。動量隨機(jī)梯度下降（MomentumSGD）通過引入動量項(xiàng)，加速了收斂速度。Adagrad根據(jù)每個參數(shù)的歷史梯度信息調(diào)整學(xué)習(xí)率，但在訓(xùn)練后期可能會導(dǎo)致學(xué)習(xí)率過小。Adam結(jié)合了動量和自適應(yīng)學(xué)習(xí)率的思想，在大多數(shù)情況下具有更快的收斂速度和更好的性能。9.以下哪種技術(shù)可以用于解決深度學(xué)習(xí)中的過擬合問題？()A.增加訓(xùn)練數(shù)據(jù)B.減少模型復(fù)雜度C.使用正則化方法D.以上都是答案：D解析：過擬合是指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在測試數(shù)據(jù)上表現(xiàn)較差的現(xiàn)象。增加訓(xùn)練數(shù)據(jù)可以讓模型學(xué)習(xí)到更多的模式，減少過擬合的風(fēng)險。減少模型復(fù)雜度可以避免模型過于復(fù)雜而擬合噪聲。使用正則化方法，如L1和L2正則化，可以限制模型的參數(shù)，防止模型過擬合。10.在計(jì)算機(jī)視覺中，以下哪種技術(shù)用于檢測圖像中的物體位置和類別？()A.圖像分類B.目標(biāo)檢測C.語義分割D.實(shí)例分割答案：B解析：圖像分類是將圖像分為不同的類別。目標(biāo)檢測不僅要識別圖像中的物體類別，還要確定物體的位置。語義分割是將圖像中的每個像素分配到不同的類別。實(shí)例分割不僅要進(jìn)行語義分割，還要區(qū)分同一類別的不同實(shí)例。二、填空題1.人工智能的三要素是_、_和____。答案：數(shù)據(jù)、算法、計(jì)算能力2.在深度學(xué)習(xí)中，常用的損失函數(shù)有_（用于回歸問題）和_（用于分類問題）。答案：均方誤差損失函數(shù)（MSE）、交叉熵?fù)p失函數(shù)3.自然語言處理中的常見任務(wù)包括_、_、____等。答案：文本分類、情感分析、機(jī)器翻譯4.強(qiáng)化學(xué)習(xí)中的智能體與環(huán)境進(jìn)行交互，通過____來學(xué)習(xí)最優(yōu)策略。答案：試錯5.卷積神經(jīng)網(wǎng)絡(luò)中的卷積層主要用于_，池化層主要用于_。答案：提取特征、降低特征圖的維度6.循環(huán)神經(jīng)網(wǎng)絡(luò)的一個主要問題是_，為了解決這個問題，提出了_和____等改進(jìn)模型。答案：梯度消失或梯度爆炸、長短期記憶網(wǎng)絡(luò)（LSTM）、門控循環(huán)單元（GRU）7.在數(shù)據(jù)預(yù)處理中，常用的歸一化方法有_和_。答案：最小-最大歸一化、Z-分?jǐn)?shù)歸一化8.生成對抗網(wǎng)絡(luò)（GAN）由_和_兩部分組成。答案：生成器、判別器9.決策樹算法中，常用的劃分準(zhǔn)則有_、_和____。答案：信息增益、信息增益比、基尼指數(shù)10.支持向量機(jī)的目標(biāo)是找到一個____，使得不同類別的數(shù)據(jù)點(diǎn)能夠被最大程度地分開。答案：最優(yōu)超平面三、判斷題1.人工智能就是讓機(jī)器像人一樣思考和行動。()答案：√解析：人工智能的目標(biāo)是使機(jī)器具有人類的智能，能夠像人一樣思考和行動，通過模擬人類的認(rèn)知、學(xué)習(xí)、推理等能力來完成各種任務(wù)。2.深度學(xué)習(xí)是人工智能的一個分支，它主要基于神經(jīng)網(wǎng)絡(luò)模型。()答案：√解析：深度學(xué)習(xí)是人工智能領(lǐng)域中一個重要的分支，它通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)模型，自動從大量數(shù)據(jù)中學(xué)習(xí)特征和模式，在圖像識別、語音識別、自然語言處理等領(lǐng)域取得了顯著的成果。3.所有的機(jī)器學(xué)習(xí)算法都需要有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練。()答案：×解析：機(jī)器學(xué)習(xí)算法分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。有監(jiān)督學(xué)習(xí)需要有標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練，而無監(jiān)督學(xué)習(xí)不需要標(biāo)簽數(shù)據(jù)，它通過自動發(fā)現(xiàn)數(shù)據(jù)中的模式和結(jié)構(gòu)來進(jìn)行學(xué)習(xí)。強(qiáng)化學(xué)習(xí)則是通過智能體與環(huán)境的交互，根據(jù)獎勵信號來學(xué)習(xí)最優(yōu)策略。4.卷積神經(jīng)網(wǎng)絡(luò)（CNN）只能用于圖像分類任務(wù)。()答案：×解析：卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像分類任務(wù)中取得了很好的效果，但它的應(yīng)用并不局限于此。CNN還可以用于目標(biāo)檢測、語義分割、圖像生成等多種計(jì)算機(jī)視覺任務(wù)，以及一些其他領(lǐng)域，如音頻處理、時間序列分析等。5.在強(qiáng)化學(xué)習(xí)中，智能體的目標(biāo)是最大化長期累積獎勵。()答案：√解析：強(qiáng)化學(xué)習(xí)的核心思想是智能體通過與環(huán)境的交互，不斷嘗試不同的動作，以獲得最大的長期累積獎勵。智能體的策略就是根據(jù)當(dāng)前狀態(tài)選擇能夠使長期累積獎勵最大化的動作。6.自然語言處理中的詞向量表示可以捕捉到詞語之間的語義關(guān)系。()答案：√解析：詞向量表示是將詞語轉(zhuǎn)換為向量形式，通過向量之間的距離和方向可以反映詞語之間的語義關(guān)系。例如，在詞向量空間中，近義詞的向量通常比較接近。7.決策樹算法對缺失值非常敏感，不能處理含有缺失值的數(shù)據(jù)。()答案：×解析：決策樹算法可以處理含有缺失值的數(shù)據(jù)。在決策樹的構(gòu)建過程中，可以采用一些方法來處理缺失值，如根據(jù)已有數(shù)據(jù)的分布來推測缺失值，或者在劃分節(jié)點(diǎn)時考慮缺失值的情況。8.生成對抗網(wǎng)絡(luò)（GAN）可以生成與真實(shí)數(shù)據(jù)分布相似的新數(shù)據(jù)。()答案：√解析：生成對抗網(wǎng)絡(luò)（GAN）由生成器和判別器組成。生成器嘗試生成與真實(shí)數(shù)據(jù)分布相似的新數(shù)據(jù)，判別器則嘗試區(qū)分生成的數(shù)據(jù)和真實(shí)數(shù)據(jù)。通過兩者之間的對抗訓(xùn)練，生成器可以逐漸生成高質(zhì)量的新數(shù)據(jù)。9.隨機(jī)森林是一種集成學(xué)習(xí)方法，它通過組合多個決策樹來提高模型的性能。()答案：√解析：隨機(jī)森林是一種集成學(xué)習(xí)算法，它通過隨機(jī)選擇特征和樣本，構(gòu)建多個決策樹，并將這些決策樹的結(jié)果進(jìn)行綜合，以提高模型的準(zhǔn)確性和穩(wěn)定性，減少過擬合的風(fēng)險。10.支持向量機(jī)在處理非線性可分的數(shù)據(jù)時需要使用核函數(shù)。()答案：√解析：當(dāng)數(shù)據(jù)是非線性可分時，支持向量機(jī)無法直接找到一個線性超平面來分開不同類別的數(shù)據(jù)。核函數(shù)可以將原始數(shù)據(jù)映射到高維空間，使得數(shù)據(jù)在高維空間中變得線性可分，從而可以使用支持向量機(jī)進(jìn)行分類。四、簡答題1.請簡要介紹人工智能的發(fā)展歷程。(1).孕育期（20世紀(jì)40-50年代）：1943年，麥卡洛克和皮茨提出了第一個神經(jīng)網(wǎng)絡(luò)模型——MP模型；1949年，赫布提出了赫布學(xué)習(xí)規(guī)則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供了理論基礎(chǔ)。(2).誕生期（1956年）：達(dá)特茅斯會議上，“人工智能”這一術(shù)語被正式提出，標(biāo)志著人工智能學(xué)科的誕生。(3).黃金時期（20世紀(jì)50-60年代）：這一時期，人工智能取得了一些重要成果，如紐厄爾和西蒙的邏輯理論家程序、塞繆爾的跳棋程序等。(4).第一次寒冬（20世紀(jì)60-70年代）：由于當(dāng)時計(jì)算機(jī)性能有限，人工智能在解決復(fù)雜問題時遇到了困難，研究經(jīng)費(fèi)減少，發(fā)展陷入低谷。(5).知識期（20世紀(jì)70-80年代）：專家系統(tǒng)的出現(xiàn)使得人工智能重新受到關(guān)注，知識工程成為這一時期的研究熱點(diǎn)。(6).第二次寒冬（20世紀(jì)80-90年代）：專家系統(tǒng)在實(shí)際應(yīng)用中暴露出一些問題，如知識獲取困難、維護(hù)成本高等，人工智能的發(fā)展再次陷入困境。(7).機(jī)器學(xué)習(xí)期（20世紀(jì)90年代-21世紀(jì)初）：隨著計(jì)算機(jī)性能的提高和數(shù)據(jù)量的增加，機(jī)器學(xué)習(xí)成為人工智能的主流研究方向，決策樹、支持向量機(jī)等算法得到廣泛應(yīng)用。(8).深度學(xué)習(xí)期（2010年代至今）：深度學(xué)習(xí)在圖像識別、語音識別、自然語言處理等領(lǐng)域取得了巨大成功，推動了人工智能的快速發(fā)展。2.請簡述卷積神經(jīng)網(wǎng)絡(luò)（CNN）的主要結(jié)構(gòu)和工作原理。(1).主要結(jié)構(gòu)：卷積層：由多個卷積核組成，通過卷積操作提取輸入數(shù)據(jù)的特征。池化層：用于降低特征圖的維度，減少計(jì)算量，同時增強(qiáng)模型的魯棒性。常見的池化方法有最大池化和平均池化。全連接層：將卷積層和池化層提取的特征進(jìn)行整合，輸出最終的分類或回歸結(jié)果。激活函數(shù)：通常在卷積層和全連接層后使用，如ReLU函數(shù)，用于引入非線性因素，增強(qiáng)模型的表達(dá)能力。(2).工作原理：輸入數(shù)據(jù)：將原始數(shù)據(jù)（如圖像）輸入到卷積神經(jīng)網(wǎng)絡(luò)中。特征提取：卷積層通過卷積核在輸入數(shù)據(jù)上滑動，進(jìn)行卷積操作，提取數(shù)據(jù)的局部特征。每個卷積核對應(yīng)一個特征圖，不同的卷積核可以提取不同的特征。特征降維：池化層對卷積層輸出的特征圖進(jìn)行下采樣，降低特征圖的維度，減少計(jì)算量。特征整合：全連接層將卷積層和池化層提取的特征進(jìn)行整合，通過一系列的線性變換和非線性激活，輸出最終的結(jié)果。訓(xùn)練：通過反向傳播算法，根據(jù)損失函數(shù)計(jì)算誤差，并更新模型的參數(shù)，使得模型的輸出盡可能接近真實(shí)標(biāo)簽。3.請解釋自然語言處理中的詞嵌入（WordEmbedding）的概念和作用。(1).概念：詞嵌入是將詞語轉(zhuǎn)換為低維向量表示的技術(shù)。傳統(tǒng)的文本表示方法，如詞袋模型，將詞語看作是獨(dú)立的個體，忽略了詞語之間的語義關(guān)系。而詞嵌入通過學(xué)習(xí)詞語在上下文中的共現(xiàn)信息，將詞語映射到一個連續(xù)的向量空間中，使得語義相近的詞語在向量空間中距離較近。(2).作用：捕捉語義信息：詞嵌入可以捕捉詞語之間的語義關(guān)系，如近義詞、反義詞等，有助于提高自然語言處理任務(wù)的性能。降低維度：將高維的離散詞語表示轉(zhuǎn)換為低維的連續(xù)向量表示，減少了數(shù)據(jù)的維度，提高了計(jì)算效率。泛化能力：詞嵌入可以學(xué)習(xí)到詞語的語義特征，使得模型在處理未見過的詞語時具有一定的泛化能力。便于模型處理：向量表示可以方便地進(jìn)行數(shù)學(xué)運(yùn)算，如向量加法、減法等，使得模型可以更好地處理文本數(shù)據(jù)。4.請說明強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)的區(qū)別。(1).監(jiān)督學(xué)習(xí)：數(shù)據(jù)：需要有標(biāo)簽的數(shù)據(jù)，即輸入數(shù)據(jù)和對應(yīng)的輸出標(biāo)簽。目標(biāo)：通過學(xué)習(xí)輸入數(shù)據(jù)和輸出標(biāo)簽之間的映射關(guān)系，使得模型能夠?qū)π碌妮斎霐?shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測。學(xué)習(xí)方式：通過最小化預(yù)測結(jié)果與真實(shí)標(biāo)簽之間的誤差來更新模型的參數(shù)。(2).無監(jiān)督學(xué)習(xí)：數(shù)據(jù)：不需要標(biāo)簽數(shù)據(jù)，只需要輸入數(shù)據(jù)。目標(biāo)：自動發(fā)現(xiàn)數(shù)據(jù)中的模式和結(jié)構(gòu)，如聚類、降維等。學(xué)習(xí)方式：通過數(shù)據(jù)的內(nèi)在特征和規(guī)律來進(jìn)行學(xué)習(xí)，如通過計(jì)算數(shù)據(jù)點(diǎn)之間的相似度進(jìn)行聚類。(3).強(qiáng)化學(xué)習(xí)：數(shù)據(jù)：智能體與環(huán)境進(jìn)行交互，通過不斷嘗試不同的動作，獲得環(huán)境的反饋（獎勵）。目標(biāo)：智能體通過最大化長期累積獎勵來學(xué)習(xí)最優(yōu)策略。學(xué)習(xí)方式：通過試錯的方式，根據(jù)環(huán)境的獎勵信號來調(diào)整自己的行為，逐步學(xué)習(xí)到最優(yōu)策略。5.請簡述生成對抗網(wǎng)絡(luò)（GAN）的原理和應(yīng)用場景。(1).原理：生成對抗網(wǎng)絡(luò)由生成器和判別器兩部分組成。生成器：接收隨機(jī)噪聲作為輸入，通過一系列的神經(jīng)網(wǎng)絡(luò)層，生成與真實(shí)數(shù)據(jù)分布相似的假數(shù)據(jù)。判別器：接收真實(shí)數(shù)據(jù)和生成器生成的假數(shù)據(jù)作為輸入，判斷輸入數(shù)據(jù)是真實(shí)數(shù)據(jù)還是假數(shù)據(jù)。對抗訓(xùn)練：生成器和判別器進(jìn)行對抗訓(xùn)練，生成器的目標(biāo)是生成能夠騙過判別器的假數(shù)據(jù)，判別器的目標(biāo)是準(zhǔn)確區(qū)分真實(shí)數(shù)據(jù)和假數(shù)據(jù)。通過不斷的對抗訓(xùn)練，生成器可以逐漸生成高質(zhì)量的假數(shù)據(jù)。(2).應(yīng)用場景：圖像生成：生成高質(zhì)量的圖像，如人臉圖像、風(fēng)景圖像等。數(shù)據(jù)增強(qiáng)：在訓(xùn)練數(shù)據(jù)不足的情況下，生成更多的訓(xùn)練數(shù)據(jù)，提高模型的泛化能力。風(fēng)格遷移：將一種圖像的風(fēng)格遷移到另一種圖像上，如將油畫風(fēng)格遷移到照片上。視頻生成：生成逼真的視頻序列。異常檢測：通過生成正常數(shù)據(jù)的分布，檢測異常數(shù)據(jù)。五、編程題1.使用Python和NumPy實(shí)現(xiàn)一個簡單的線性回歸模型。importnumpyasnp

classLinearRegression:

def__init__(self):

self.weights=None

self.bias=None

deffit(self,X,y):

#添加偏置項(xiàng)

X_b=np.c_[np.ones((X.shape[0],1)),X]

#計(jì)算權(quán)重

self.weights=np.linalg.inv(X_b.T.dot(X_b)).dot(X_b.T).dot(y)

self.bias=self.weights[0]

self.weights=self.weights[1:]

defpredict(self,X):

returnX.dot(self.weights)+self.bias

#示例數(shù)據(jù)

X=np.array([[1],[2],[3],[4],[5]])

y=np.array([2,4,6,8,10])

#創(chuàng)建線性回歸模型

model=LinearRegression()

#訓(xùn)練模型

model.fit(X,y)

#預(yù)測

new_X=np.array([[6]])

prediction=model.predict(new_X)

print("預(yù)測結(jié)果:",prediction)2.使用Python和PyTorch實(shí)現(xiàn)一個簡單的全連接神經(jīng)網(wǎng)絡(luò)用于手寫數(shù)字識別（MNIST數(shù)據(jù)集）。importtorch

importtorch.nnasnn

importtorch.optimasoptim

fromtorchvisionimportdatasets,transforms

fromtorch.utils.dataimportDataLoader

#定義超參數(shù)

batch_size=64

learning_rate=0.01

epochs=10

#數(shù)據(jù)預(yù)處理

transform=transforms.Compose([

transforms.ToTensor(),

transforms.Normalize((0.1307,),(0.3081,))

])

#加載MNIST數(shù)據(jù)集

train_dataset=datasets.MNIST(root='./data',train=True,

download=True,transform=transform)

test_dataset=datasets.MNIST(root='./data',train=False,

download=True,transform=transform)

train_loader=DataLoader(train_dataset,batch_size=batch_size,shuffle=True)

test_loader=DataLoader(test_dataset,batch_size=batch_size,shuffle=False)

#定義全連接神經(jīng)網(wǎng)絡(luò)

classSimpleNet(nn.Module):

def__init__(self):

super(SimpleNet,self).__init__()

self.fc1=nn.Linear(28*28,128)

self.fc2=nn.Linear(128,10)

self.relu=nn.ReLU()

defforward(self,x):

x=x.view(-1,28*28)

x=self.relu(self.fc1(x))

x