2024年5月人工智能核心算法練習(xí)題及參考答案一、單選題（共20題，每題1分，共20分）1.如果我們用了一個(gè)過(guò)大的學(xué)習(xí)速率會(huì)發(fā)生什么？A．都不對(duì)B．不好說(shuō)C．神經(jīng)網(wǎng)絡(luò)會(huì)收斂D．神經(jīng)網(wǎng)絡(luò)不會(huì)收斂答案：【D】詳解：當(dāng)使用過(guò)大的學(xué)習(xí)速率時(shí)，神經(jīng)網(wǎng)絡(luò)的參數(shù)更新可能會(huì)跳過(guò)最優(yōu)解，導(dǎo)致無(wú)法收斂到一個(gè)較好的結(jié)果。在訓(xùn)練過(guò)程中，過(guò)大的學(xué)習(xí)速率會(huì)使模型在每次迭代時(shí)對(duì)參數(shù)進(jìn)行大幅度調(diào)整，從而使模型難以穩(wěn)定地朝著最優(yōu)解前進(jìn)，最終無(wú)法收斂。2.感知器在空間中可以展現(xiàn)為？A．線B．平面C．超平面D．點(diǎn)答案：【D】3.在主成分分析中，將幾個(gè)主分量經(jīng)過(guò)線性組合構(gòu)造為一個(gè)綜合評(píng)價(jià)函數(shù)時(shí)，每個(gè)主分量的權(quán)數(shù)為()。A．每個(gè)主分量的標(biāo)準(zhǔn)差B．每個(gè)主分量的貢獻(xiàn)率C．每個(gè)主分量的方差貢獻(xiàn)率D．每個(gè)主分量的方差答案：【C】詳解：主成分分析中，構(gòu)造綜合評(píng)價(jià)函數(shù)時(shí)，每個(gè)主分量的權(quán)數(shù)為其方差貢獻(xiàn)率。方差貢獻(xiàn)率反映了主分量對(duì)數(shù)據(jù)總方差的貢獻(xiàn)程度，以方差貢獻(xiàn)率作為權(quán)數(shù)能使綜合評(píng)價(jià)函數(shù)更合理地綜合各主分量的信息。4.在統(tǒng)計(jì)語(yǔ)言模型中，通常以概率的形式描述任意語(yǔ)句的可能性，利用最大相似度估計(jì)進(jìn)行度量，對(duì)于一些低頻詞，無(wú)論如何擴(kuò)大訓(xùn)練數(shù)據(jù)，出現(xiàn)的頻度仍然很低，下列哪種方法可以解決這一問(wèn)題A．一元切分B．一元文法C．N元文法D．?dāng)?shù)據(jù)平滑答案：【D】詳解：數(shù)據(jù)平滑是一種解決低頻詞問(wèn)題的有效方法。當(dāng)訓(xùn)練數(shù)據(jù)中某些詞出現(xiàn)頻率很低時(shí)，直接按照其實(shí)際出現(xiàn)頻率計(jì)算概率會(huì)導(dǎo)致估計(jì)不準(zhǔn)確。數(shù)據(jù)平滑技術(shù)通過(guò)對(duì)低頻詞的概率進(jìn)行調(diào)整，使其不會(huì)因?yàn)槌霈F(xiàn)次數(shù)過(guò)少而被賦予極小甚至為零的概率。例如常用的拉普拉斯平滑等方法，會(huì)在分子分母上都加上一個(gè)較小的常數(shù)，從而避免概率為零的情況，使得模型對(duì)低頻詞也能給出相對(duì)合理的概率估計(jì)，進(jìn)而提高整個(gè)語(yǔ)言模型的性能。而一元切分、一元文法和N元文法主要側(cè)重于對(duì)語(yǔ)句的不同切分方式和語(yǔ)法結(jié)構(gòu)建模，不能直接解決低頻詞概率估計(jì)不合理的問(wèn)題。5.代碼arr5=np.arange（0,6）.reshape（[2,3]）;print（arr5[1,:]）的輸出結(jié)果是（）？A．[01]B．[23]C．[345]D．[012]答案：【C】詳解：首先arr5=np.arange（0,6）.reshape（[2,3]）會(huì)創(chuàng)建一個(gè)2行3列的數(shù)組[[0,1,2],[3,4,5]]，然后arr5[1,:]表示取第二行的所有元素，即[3,4,5]，所以輸出結(jié)果是[345]，答案選B。6.下面算法中哪個(gè)不是回歸算法A．線性回歸B．邏輯回歸C．嶺回歸D．隨機(jī)森林答案：【B】7.CNN不具有以下那個(gè)特性。A．權(quán)值共享B．空間或時(shí)間上的下采樣C．局部連接D．不定長(zhǎng)輸入答案：【D】詳解：CNN具有局部連接、權(quán)值共享、空間或時(shí)間上的下采樣等特性。局部連接減少了計(jì)算量；權(quán)值共享降低了模型參數(shù)數(shù)量；下采樣可以減少數(shù)據(jù)維度。而CNN輸入通常要求是固定尺寸的，不是不定長(zhǎng)輸入。8.在Skip-gram實(shí)際實(shí)現(xiàn)的過(guò)程中，通常會(huì)讓模型接收（）個(gè)tensor輸入。A．4B．1C．2D．3答案：【D】9.高層的特征是低層特征的組合，從低層到高層的特征表達(dá)越來(lái)越（），也即越來(lái)越能表現(xiàn)語(yǔ)義或者意圖。A．具體和概念化B．抽象和具體化C．抽象和概念化D．具體和形象化答案：【C】詳解：高層特征是低層特征的組合，從低層到高層，特征越來(lái)越抽象和概念化，更能表現(xiàn)語(yǔ)義或意圖。比如低層可能是具體的像素點(diǎn)等，高層則是對(duì)圖像整體語(yǔ)義的理解等，從具體逐漸走向抽象概念。10.下列哪種機(jī)器學(xué)習(xí)算法不需要?dú)w一化處理？（）A．DecisionTreeB.SVMB．KmeansC．LogisticRegression答案：【A】詳解：決策樹(shù)（DecisionTree）是一種基于樹(shù)結(jié)構(gòu)進(jìn)行決策的機(jī)器學(xué)習(xí)算法。它在構(gòu)建決策樹(shù)的過(guò)程中，主要依據(jù)數(shù)據(jù)的特征和類別信息進(jìn)行劃分，對(duì)數(shù)據(jù)的具體數(shù)值分布并不敏感，因此不需要進(jìn)行歸一化處理。而SVM（支持向量機(jī)）、Kmeans（K均值聚類算法）、LogisticRegression（邏輯回歸）等算法，在處理數(shù)據(jù)時(shí)，為了提高模型的性能、收斂速度以及避免某些特征對(duì)模型的影響過(guò)大等，通常需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。11.如果我們希望預(yù)測(cè)n個(gè)類（p1，p2...pk）的概率使得所有n的p的和等于1，那么下列哪個(gè)函數(shù)可以用作輸出層中的激活函數(shù)？A．ReLuB．TanhC．SigmoidD．Softmax答案：【D】詳解：Softmax函數(shù)是用于多分類問(wèn)題中，將輸出結(jié)果轉(zhuǎn)換為概率分布，使得所有概率之和為1，符合預(yù)測(cè)n個(gè)類的概率且概率和為1的要求。ReLu函數(shù)是線性整流函數(shù)，Sigmoid函數(shù)常用于二分類問(wèn)題輸出概率，Tanh函數(shù)是雙曲正切函數(shù)，它們都不滿足該條件。12.下面哪項(xiàng)操作能實(shí)現(xiàn)跟神經(jīng)網(wǎng)絡(luò)中Dropout的類似效果？（）A．StackingB．BaggingC．MappingD．Boosting答案：【B】詳解：Dropout通過(guò)隨機(jī)丟棄神經(jīng)元來(lái)防止過(guò)擬合，Bagging通過(guò)有放回地采樣訓(xùn)練數(shù)據(jù)構(gòu)建多個(gè)模型并綜合結(jié)果，也能起到類似防止過(guò)擬合的效果，與Dropout有類似作用。Boosting是基于弱分類器迭代訓(xùn)練強(qiáng)分類器；Stacking是構(gòu)建多層模型；Mapping一般指映射，均與Dropout效果不同。13.交叉驗(yàn)證法將數(shù)據(jù)集劃分為k個(gè)大小相似的互斥子集，進(jìn)行(___)次訓(xùn)練和測(cè)試。A．kB．k-1C．k-2D．k+1答案：【A】詳解：交叉驗(yàn)證法將數(shù)據(jù)集劃分為k個(gè)大小相似的互斥子集，每次選擇其中k-1個(gè)子集作為訓(xùn)練集，剩余1個(gè)子集作為測(cè)試集，這樣一共要進(jìn)行k次訓(xùn)練和測(cè)試，所以進(jìn)行的訓(xùn)練和測(cè)試次數(shù)大于k。14.如果問(wèn)題存在最優(yōu)解，則下面幾種搜索算法中，廣度優(yōu)先搜索必然可以得到該最優(yōu)解，（）可以認(rèn)為是“智能程度相對(duì)比較高”的算法。A．深度優(yōu)先搜索B．有界深度優(yōu)先搜索C．啟發(fā)式搜索D．無(wú)界深度優(yōu)先搜索答案：【C】詳解：?jiǎn)l(fā)式搜索在搜索過(guò)程中利用問(wèn)題的啟發(fā)式信息來(lái)引導(dǎo)搜索方向，能夠更有針對(duì)性地朝著最優(yōu)解的方向進(jìn)行搜索，相比其他幾種搜索算法，它在智能程度方面表現(xiàn)更為突出。廣度優(yōu)先搜索雖然能找到最優(yōu)解，但相對(duì)較為盲目，沒(méi)有利用啟發(fā)式信息。無(wú)界深度優(yōu)先搜索可能會(huì)陷入無(wú)限循環(huán)，深度優(yōu)先搜索和有界深度優(yōu)先搜索也缺乏對(duì)問(wèn)題的智能引導(dǎo)，而啟發(fā)式搜索通過(guò)對(duì)問(wèn)題的理解和分析，能更高效地找到最優(yōu)解，所以可以認(rèn)為是“智能程度相對(duì)比較高”的算法。15.對(duì)于一個(gè)圖像識(shí)別問(wèn)題(在一張照片里找出一只貓)，下面哪種神經(jīng)網(wǎng)絡(luò)可以更好地解決這個(gè)問(wèn)題？A．感知機(jī)B．卷積神經(jīng)網(wǎng)絡(luò)C．循環(huán)神經(jīng)網(wǎng)絡(luò)D．多層感知機(jī)答案：【B】詳解：卷積神經(jīng)網(wǎng)絡(luò)在處理圖像數(shù)據(jù)方面具有獨(dú)特的優(yōu)勢(shì)。它通過(guò)卷積層能夠自動(dòng)提取圖像的局部特征，對(duì)于識(shí)別圖像中的特定物體如貓非常有效。感知機(jī)主要用于簡(jiǎn)單的線性分類，難以處理復(fù)雜的圖像特征。多層感知機(jī)雖然也能處理圖像，但在提取局部特征方面不如卷積神經(jīng)網(wǎng)絡(luò)高效。循環(huán)神經(jīng)網(wǎng)絡(luò)主要用于處理序列數(shù)據(jù)，不適合直接處理圖像識(shí)別問(wèn)題。所以對(duì)于在一張照片里找出一只貓的圖像識(shí)別問(wèn)題，卷積神經(jīng)網(wǎng)絡(luò)是更好的選擇。16.numpy數(shù)組的ndim屬性是（）？A．行數(shù)B．?dāng)?shù)組的維度C．各維度大小的元組D．列數(shù)答案：【B】詳解：ndim屬性用于返回?cái)?shù)組的維度，即數(shù)組的軸數(shù)。B選項(xiàng)是shape屬性返回的內(nèi)容；C選項(xiàng)行數(shù)和D選項(xiàng)列數(shù)與ndim屬性無(wú)關(guān)。17.測(cè)試集應(yīng)盡可能與訓(xùn)練集(___)。A．相等B．相容C．包含D．互斥答案：【D】詳解：測(cè)試集應(yīng)與訓(xùn)練集互斥，這樣才能準(zhǔn)確評(píng)估模型在未見(jiàn)過(guò)的數(shù)據(jù)上的性能。如果測(cè)試集與訓(xùn)練集不互斥，模型可能會(huì)在測(cè)試時(shí)利用到訓(xùn)練集中已有的信息，從而高估其實(shí)際的泛化能力。而選項(xiàng)A的相容并不一定能保證對(duì)模型性能評(píng)估的準(zhǔn)確性；選項(xiàng)B相等是不合理的，因?yàn)闇y(cè)試集就是用于檢驗(yàn)?zāi)Ｐ蛯?duì)新數(shù)據(jù)的處理能力，不應(yīng)與訓(xùn)練集相同；選項(xiàng)D包含也不符合測(cè)試集的作用，測(cè)試集不是用來(lái)包含訓(xùn)練集的。18.下列選項(xiàng)中，哪個(gè)不是關(guān)鍵詞提取常用的算法（）A．TF-IDFB．TextRankC．SSAD．LDA答案：【C】詳解：SSA（SalpSwarmAlgorithm）是一種群體智能優(yōu)化算法，不是關(guān)鍵詞提取常用的算法。TF-IDF（詞頻-逆文檔頻率）是一種用于信息檢索與文本挖掘的常用加權(quán)技術(shù)；TextRank是一種基于圖的排序算法，可用于關(guān)鍵詞提取等；LDA（LatentDirichletAllocation）是一種主題模型，也可輔助進(jìn)行關(guān)鍵詞提取等相關(guān)文本處理任務(wù)。19.機(jī)器學(xué)習(xí)的算法中，以下哪個(gè)不是無(wú)監(jiān)督學(xué)習(xí)?A．聚類B．XgboostC．關(guān)聯(lián)規(guī)則D．GMM答案：【B】詳解：Xgboost是一種有監(jiān)督學(xué)習(xí)算法，它基于訓(xùn)練數(shù)據(jù)中的特征和標(biāo)簽來(lái)構(gòu)建模型，用于預(yù)測(cè)或分類新的數(shù)據(jù)。而GMM（高斯混合模型）、聚類、關(guān)聯(lián)規(guī)則都屬于無(wú)監(jiān)督學(xué)習(xí)，它們不需要標(biāo)簽數(shù)據(jù)，主要用于發(fā)現(xiàn)數(shù)據(jù)中的模式、結(jié)構(gòu)或分組等。20.假設(shè)我們已經(jīng)在ImageNet數(shù)據(jù)集(物體識(shí)別)上訓(xùn)練好了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。然后給這張卷積神經(jīng)網(wǎng)絡(luò)輸入一張全白的圖片。對(duì)于這個(gè)輸入的輸出結(jié)果為任何種類的物體的可能性都是一樣的，對(duì)嗎？A．不對(duì)B．不知道C．對(duì)的D．看情況答案：【A】詳解：因?yàn)樵贗mageNet數(shù)據(jù)集上訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)是針對(duì)該數(shù)據(jù)集的特定物體特征進(jìn)行學(xué)習(xí)的，全白圖片不包含這些物體的特征信息，所以網(wǎng)絡(luò)無(wú)法對(duì)其進(jìn)行正確分類，輸出結(jié)果不是任何種類物體的可能性都一樣，而是會(huì)輸出與訓(xùn)練時(shí)學(xué)到的模式和特征不匹配的結(jié)果。二、多選題（共20題，每題1分，共20分）1.關(guān)于邏輯回歸正確的是（）A．以上都不對(duì)B．風(fēng)險(xiǎn)控制是金融領(lǐng)域最核心的問(wèn)題，邏輯回歸是在風(fēng)險(xiǎn)評(píng)估中最經(jīng)典常用的方法C．邏輯回歸可以用到互聯(lián)網(wǎng)廣告點(diǎn)擊預(yù)測(cè)D．邏輯回歸只能用于解決二分類問(wèn)題答案：【BC】2.Transformer由且僅由（）和（）組成。只要計(jì)算資源夠，可以通過(guò)堆疊多層Transformer來(lái)搭建復(fù)雜網(wǎng)絡(luò)。A．FeedForwardNeuralNetworkB．Self-AttenionC．FeedBackwardNeuralNetworkD．Self-Action答案：【AB】詳解：Transformer主要由Self-Attenion（自注意力機(jī)制）和FeedForwardNeuralNetwork（前饋神經(jīng)網(wǎng)絡(luò)）組成。Self-Attenion能夠捕捉輸入序列中不同位置之間的依賴關(guān)系，F(xiàn)eedForwardNeuralNetwork則用于對(duì)經(jīng)過(guò)自注意力機(jī)制處理后的結(jié)果進(jìn)行進(jìn)一步的特征變換和非線性映射等操作。通過(guò)堆疊多層Transformer，可以構(gòu)建出更強(qiáng)大、更復(fù)雜的網(wǎng)絡(luò)模型來(lái)處理各種任務(wù)，如自然語(yǔ)言處理中的語(yǔ)言生成、機(jī)器翻譯、文本分類等。3.傳統(tǒng)目標(biāo)檢測(cè)提取特征的方式有（）A．HOGB．SIFTC．SVMD．Adaboost答案：【AB】詳解：傳統(tǒng)目標(biāo)檢測(cè)提取特征的方式中，SIFT（尺度不變特征變換）和HOG（方向梯度直方圖）是常用的手工特征提取方法。而SVM（支持向量機(jī)）是一種分類算法，Adaboost是一種集成學(xué)習(xí)算法，它們不屬于提取特征的方式。4.下列關(guān)于LeNet的說(shuō)法正確的是（）A．卷積和池化層組合使用，逐層級(jí)的提取圖像特征B．在網(wǎng)絡(luò)的最后使用全兩層連接作為輸出C．使用卷積解決了全連接層的不足之處D．在網(wǎng)絡(luò)的最后使用全兩層連接作為輸入答案：【ABC】詳解：LeNet使用卷積解決了全連接層參數(shù)過(guò)多的不足之處，A正確；卷積和池化層組合使用，能夠逐層級(jí)提取圖像特征，B正確；LeNet在網(wǎng)絡(luò)最后使用全連接層作為輸出，C正確，D錯(cuò)誤。5.預(yù)剪枝使得決策樹(shù)的很多分子都沒(méi)有展開(kāi)，會(huì)導(dǎo)致（）。A．顯著減少訓(xùn)練時(shí)間開(kāi)銷B．提高欠擬合風(fēng)險(xiǎn)C．降低過(guò)擬合風(fēng)險(xiǎn)D．顯著減少測(cè)試時(shí)間開(kāi)銷答案：【ABCD】6.統(tǒng)計(jì)模式分類問(wèn)題中，當(dāng)先驗(yàn)概率未知時(shí)，可以使用（）A．最小損失準(zhǔn)則B．最小最大損失準(zhǔn)則C．N-P判決D．最小誤判概率準(zhǔn)則答案：【BC】7.經(jīng)典邏輯推理有哪些？A．與、或形演繹推理B．不確定與非單調(diào)推理C．自然演繹推理D．歸結(jié)演繹推理答案：【ACD】8.下列哪些是數(shù)據(jù)預(yù)處理的常用技術(shù)（）A．CountVectorizeB．one-hotencoderC．?dāng)?shù)字屬性的缺失值補(bǔ)0D．LabelEncoder答案：【ABCD】9.哪些組件是BERT模型所采用的（）A．LayerNormB．循環(huán)連接C．全連接層D．BatchNorm答案：【AC】詳解：BERT模型采用了LayerNorm進(jìn)行歸一化處理，以加速訓(xùn)練并提高泛化能力；同時(shí)也包含全連接層用于對(duì)特征進(jìn)行進(jìn)一步的變換和處理。而B(niǎo)atchNorm一般不是BERT所采用的歸一化方式，循環(huán)連接表述不準(zhǔn)確，BERT主要基于Transformer架構(gòu)，Transformer中沒(méi)有循環(huán)連接這種說(shuō)法，不過(guò)Transformer的Self-Attention機(jī)制中存在自注意力計(jì)算等操作，這里選項(xiàng)D猜測(cè)出題人意圖可能是指Self-Attention相關(guān)的某種變形表述（但不太準(zhǔn)確），按照正常對(duì)選項(xiàng)的理解，答案為BC。10.圖像數(shù)字化需要經(jīng)過(guò)的步驟包括（）A．裁剪B．旋轉(zhuǎn)C．采樣D．量化答案：【CD】詳解：圖像數(shù)字化主要包括采樣和量化兩個(gè)步驟。采樣是將連續(xù)的圖像空間坐標(biāo)上的點(diǎn)進(jìn)行離散化處理，得到離散的采樣點(diǎn)。量化是將采樣點(diǎn)的顏色等屬性值用離散的整數(shù)值來(lái)表示，從而完成圖像的數(shù)字化。裁剪是對(duì)圖像內(nèi)容進(jìn)行選取部分的操作，旋轉(zhuǎn)是對(duì)圖像進(jìn)行角度旋轉(zhuǎn)的操作，它們不屬于圖像數(shù)字化的基本步驟。11.分類問(wèn)題的評(píng)估方法包括A．均方誤差B．精確率C．正確率D．召回率答案：【BCD】詳解：1.**正確率**：分類正確的樣本數(shù)占總樣本數(shù)的比例，能直觀反映分類器正確分類的能力。2.**精確率**：預(yù)測(cè)為正例的樣本中真正正例的比例，衡量分類器預(yù)測(cè)正例的準(zhǔn)確性。3.**召回率**：實(shí)際正例中被預(yù)測(cè)為正例的比例，體現(xiàn)分類器對(duì)正例的捕捉能力。4.**均方誤差**：常用于回歸問(wèn)題，衡量預(yù)測(cè)值與真實(shí)值之間的平均誤差平方，不適合分類問(wèn)題的評(píng)估。12.K-Means聚類法的局限性體現(xiàn)在（）A．由K-Means聚類法得到的聚類結(jié)果，輪廓系數(shù)都不是很大。B．應(yīng)用K-Means聚類法需要預(yù)先設(shè)定聚類個(gè)數(shù)C．K-Means聚類法對(duì)噪聲和離群點(diǎn)敏感D．K-Means聚類法對(duì)變量的要求比較高答案：【BCD】13.以下技術(shù)，BERT使用的包括哪些？（）A．RNN循環(huán)連接B．Sel-Attention模塊C．TransformerD．文本卷積答案：【BC】詳解：BERT模型基于Transformer架構(gòu)，同時(shí)也運(yùn)用了Self-Attention模塊。它摒棄了傳統(tǒng)的RNN循環(huán)連接方式，文本卷積也不是其主要使用的技術(shù)。14.以下屬于Anchor-free的目標(biāo)檢測(cè)模型有？A．FCOSB．PANetC．CornerNetD．CenterNet答案：【ACD】詳解：CornerNet是最早提出的Anchor-free目標(biāo)檢測(cè)算法；FCOS是一種全卷積單階段Anchor-free目標(biāo)檢測(cè)算法；CenterNet也是一種Anchor-free的目標(biāo)檢測(cè)模型。而PANet是一種基于FPN的改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，不屬于Anchor-free模型。15.關(guān)于卷積神經(jīng)網(wǎng)絡(luò)池化層以下描述正確的是?A．池化層可以起到降維的作用B．經(jīng)過(guò)池化的特征圖像變小了C．池化操作采用掃描窗口實(shí)現(xiàn)D．常用的池化方法有最大池化和平均池化答案：【ABCD】詳解：池化操作通過(guò)掃描窗口對(duì)圖像區(qū)域進(jìn)行處理，所以選項(xiàng)A正確；池化層通過(guò)減少特征圖的尺寸等方式起到降維作用，選項(xiàng)B正確；常用的池化方法確實(shí)有最大池化和平均池化，選項(xiàng)C正確；池化會(huì)使特征圖的尺寸變小，選項(xiàng)D正確。16.層次聚類數(shù)據(jù)集的劃分采用了哪些策略？（）A．自底向上B．以上都是C．自頂向下D．貪心策略答案：【AC】詳解：層次聚類有兩種基本策略，自底向上和自頂向下。自底向上是從每個(gè)數(shù)據(jù)點(diǎn)作為一個(gè)單獨(dú)的類開(kāi)始，不斷合并相似的類；自頂向下則是從所有數(shù)據(jù)點(diǎn)都在一個(gè)類開(kāi)始，逐步分裂成更小的類。貪心策略一般用于貪心算法中，層次聚類并不采用貪心策略。17.下列選項(xiàng)屬于靜態(tài)圖缺點(diǎn)的是（）A．計(jì)算圖構(gòu)建很長(zhǎng)時(shí)間后才提示錯(cuò)誤B．代碼編寫(xiě)較為簡(jiǎn)潔和方便C．無(wú)法使用pdb或print語(yǔ)句調(diào)試執(zhí)行D．控制流與Python不同，造成一定的學(xué)習(xí)門檻答案：【ACD】詳解：靜態(tài)圖的缺點(diǎn)包括：計(jì)算圖構(gòu)建很長(zhǎng)時(shí)間后才提示錯(cuò)誤；無(wú)法使用pdb或print語(yǔ)句調(diào)試執(zhí)行；控制流與Python不同，造成一定的學(xué)習(xí)門檻。而選項(xiàng)A中代碼編寫(xiě)較為簡(jiǎn)潔和方便是靜態(tài)圖的優(yōu)點(diǎn)，不是缺點(diǎn)。18.以下關(guān)于機(jī)器學(xué)習(xí)算法與傳統(tǒng)基于規(guī)則方法的區(qū)別中正確的是?A．機(jī)器學(xué)習(xí)中模型的映射關(guān)系是自動(dòng)學(xué)習(xí)的B．機(jī)器學(xué)習(xí)所中模型的映射關(guān)系必須是隱性的C．傳統(tǒng)的基于規(guī)則的方法，其中的規(guī)律可以人工顯性的明確出來(lái)D．傳統(tǒng)基于規(guī)則的方法