2025年工業(yè)AI編程能力評(píng)估題考試時(shí)間：______分鐘總分：______分姓名：______一、請(qǐng)編寫(xiě)Python代碼，使用Pandas庫(kù)讀取名為`sensor_data.csv`的文件（假設(shè)該文件存在且包含時(shí)間戳、溫度、濕度兩列）。代碼需完成以下任務(wù)：1.將時(shí)間戳列轉(zhuǎn)換為Pandas的DateTime類(lèi)型，并將其設(shè)置為索引。2.刪除包含任何缺失值的行。3.計(jì)算每小時(shí)的平均溫度和平均濕度，并將結(jié)果存儲(chǔ)在一個(gè)新的DataFrame`hourly_stats`中。`hourly_stats`應(yīng)包含小時(shí)（格式為`YYYY-MM-DDHH:00:00`）、平均溫度和平均濕度三列。4.將`hourly_stats`DataFrame輸出到名為`hourly_weather_stats.csv`的文件中，不包含行索引。二、假設(shè)你已經(jīng)使用Scikit-learn訓(xùn)練了一個(gè)用于預(yù)測(cè)工業(yè)設(shè)備故障的隨機(jī)森林分類(lèi)器`rf_classifier`，其特征名稱存儲(chǔ)在`feature_names`列表中。請(qǐng)編寫(xiě)Python代碼完成以下操作：1.加載一個(gè)名為`new_sensor_data.csv`的新數(shù)據(jù)文件（假設(shè)格式與訓(xùn)練數(shù)據(jù)相同，但無(wú)標(biāo)簽），并使用Pandas庫(kù)將其讀入一個(gè)DataFrame`X_new`。2.對(duì)`X_new`進(jìn)行與訓(xùn)練數(shù)據(jù)相同的預(yù)處理：標(biāo)準(zhǔn)化（使用訓(xùn)練數(shù)據(jù)擬合的`StandardScaler`對(duì)象`scaler`進(jìn)行轉(zhuǎn)換）。假設(shè)`scaler`對(duì)象已經(jīng)定義并可用。3.使用訓(xùn)練好的`rf_classifier`對(duì)`X_new`進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果存儲(chǔ)在`predictions`變量中。4.假設(shè)特征名稱中包含`'temperature'`和`'vibration'`，請(qǐng)從`X_new`中選擇這兩列特征，并打印出這些特征的最新5行數(shù)據(jù)。三、你正在開(kāi)發(fā)一個(gè)用于工業(yè)零件缺陷圖像分類(lèi)的模型。假設(shè)你使用TensorFlow/Keras構(gòu)建了一個(gè)簡(jiǎn)單的CNN模型結(jié)構(gòu)如下：```pythonmodel=tf.keras.Sequential([tf.keras.layers.Conv2D(32,(3,3),activation='relu',input_shape=(128,128,3)),tf.keras.layers.MaxPooling2D((2,2)),tf.keras.layers.Conv2D(64,(3,3),activation='relu'),tf.keras.layers.MaxPooling2D((2,2)),tf.keras.layers.Conv2D(64,(3,3),activation='relu'),tf.keras.layers.Flatten(),tf.keras.layers.Dense(64,activation='relu'),tf.keras.layers.Dense(10,activation='softmax')#假設(shè)有10個(gè)類(lèi)別])```請(qǐng)補(bǔ)全以下Python代碼，完成模型的編譯和準(zhǔn)備訓(xùn)練：1.使用`adam`優(yōu)化器。2.使用`categorical_crossentropy`作為損失函數(shù)。3.添加`accuracy`作為評(píng)估指標(biāo)。4.假設(shè)你已經(jīng)有了一個(gè)訓(xùn)練數(shù)據(jù)集`X_train`,`y_train`和一個(gè)驗(yàn)證數(shù)據(jù)集`X_val`,`y_val`，請(qǐng)使用`model.fit()`方法開(kāi)始訓(xùn)練模型，設(shè)置訓(xùn)練輪數(shù)`epochs=10`，批量大小`batch_size=32`，并使用驗(yàn)證數(shù)據(jù)。注意：此處不需要實(shí)際運(yùn)行`fit`方法，只需編寫(xiě)代碼。四、在完成一個(gè)工業(yè)流程異常檢測(cè)任務(wù)后，你得到了模型在測(cè)試集上的預(yù)測(cè)結(jié)果`y_pred`和真實(shí)標(biāo)簽`y_true`。請(qǐng)編寫(xiě)Python代碼計(jì)算以下評(píng)估指標(biāo)：1.計(jì)算精確率（Precision）。2.計(jì)算召回率（Recall）。3.計(jì)算F1分?jǐn)?shù)（F1-Score）。假設(shè)你使用了Scikit-learn庫(kù)，并且`y_pred`和`y_true`是相應(yīng)的NumPy數(shù)組。五、你需要將訓(xùn)練好的工業(yè)AI模型部署為一個(gè)簡(jiǎn)單的Web服務(wù)，以便其他系統(tǒng)可以調(diào)用。請(qǐng)使用Flask框架編寫(xiě)Python代碼完成以下功能：1.導(dǎo)入必要的Flask模塊。2.創(chuàng)建一個(gè)Flask應(yīng)用實(shí)例`app`。3.定義一個(gè)路由`/predict`，該路由接受GET請(qǐng)求，參數(shù)名為`temp`（溫度）和`vib`（振動(dòng)），并假設(shè)它們都是數(shù)值類(lèi)型。該路由應(yīng)使用一個(gè)預(yù)先定義好的模型`pretrained_model`（假設(shè)是一個(gè)Scikit-learn模型）對(duì)傳入的溫度和振動(dòng)值進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果（如故障概率或類(lèi)別）作為JSON響應(yīng)返回。4.添加必要的Flask應(yīng)用運(yùn)行代碼，使其在開(kāi)發(fā)模式下啟動(dòng)，監(jiān)聽(tīng)所有接口。六、假設(shè)你需要將一個(gè)工業(yè)AI模型部署到邊緣設(shè)備上，對(duì)實(shí)時(shí)傳感器數(shù)據(jù)進(jìn)行處理。請(qǐng)簡(jiǎn)述在部署前，針對(duì)模型進(jìn)行優(yōu)化的主要步驟有哪些？要求至少列出并簡(jiǎn)要說(shuō)明四點(diǎn)。試卷答案一、```pythonimportpandasaspd#1.讀取文件，轉(zhuǎn)換時(shí)間戳并設(shè)置為索引df=pd.read_csv('sensor_data.csv')df['timestamp']=pd.to_datetime(df['timestamp'])df.set_index('timestamp',inplace=True)#2.刪除含缺失值的行df.dropna(inplace=True)#3.計(jì)算每小時(shí)平均溫度和濕度hourly_stats=df.resample('H').mean()[['temperature','humidity']]#4.輸出到CSV文件hourly_stats.to_csv('hourly_weather_stats.csv')```解析：首先使用Pandas的`read_csv`讀取數(shù)據(jù)。將時(shí)間戳列轉(zhuǎn)換為`datetime`類(lèi)型，這是進(jìn)行時(shí)間序列分析的基礎(chǔ)，并使用`set_index`設(shè)為索引以便后續(xù)按時(shí)間聚合。`dropna`用于刪除任何包含缺失值的行，保證數(shù)據(jù)完整性。`resample('H')`將數(shù)據(jù)按小時(shí)進(jìn)行重采樣，`.mean()`計(jì)算每個(gè)小時(shí)的平均值，從而得到所需的每小時(shí)統(tǒng)計(jì)數(shù)據(jù)。最后，使用`to_csv`將結(jié)果DataFrame輸出為CSV文件，`index=False`參數(shù)確保不將行索引一同寫(xiě)入文件。二、```pythonimportpandasaspd#1.加載新數(shù)據(jù)X_new=pd.read_csv('new_sensor_data.csv')#2.使用預(yù)擬合的scaler轉(zhuǎn)換新數(shù)據(jù)X_new_scaled=scaler.transform(X_new[feature_names])#3.使用模型預(yù)測(cè)predictions=rf_classifier.predict(X_new_scaled)#4.選擇并打印特定特征selected_features=X_new[['temperature','vibration']]print(selected_features.tail(5))```解析：首先使用`read_csv`讀取新的傳感器數(shù)據(jù)到`DataFrame``X_new`。由于新數(shù)據(jù)需要使用與訓(xùn)練數(shù)據(jù)相同的預(yù)處理（這里是標(biāo)準(zhǔn)化），所以必須使用之前訓(xùn)練好的`StandardScaler`對(duì)象`scaler`對(duì)其進(jìn)行`transform`操作。`feature_names`列表包含了用于訓(xùn)練的特征名稱，確保從新數(shù)據(jù)中選擇正確的特征進(jìn)行轉(zhuǎn)換。`rf_classifier.predict()`用于對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果存儲(chǔ)在`predictions`中。最后，從原始`X_new`DataFrame中選擇`'temperature'`和`'vibration'`這兩列，并使用`tail(5)`打印最后5行數(shù)據(jù)，滿足題目要求。三、```pythonimporttensorflowastf#假設(shè)模型結(jié)構(gòu)已經(jīng)定義如注釋所示#model=tf.keras.Sequential([#tf.keras.layers.Conv2D(32,(3,3),activation='relu',input_shape=(128,128,3)),#tf.keras.layers.MaxPooling2D((2,2)),#tf.keras.layers.Conv2D(64,(3,3),activation='relu'),#tf.keras.layers.MaxPooling2D((2,2)),#tf.keras.layers.Conv2D(64,(3,3),activation='relu'),#tf.keras.layers.Flatten(),#tf.keras.layers.Dense(64,activation='relu'),#tf.keras.layers.Dense(10,activation='softmax')#])#1.編譯模型pile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])#2.準(zhǔn)備訓(xùn)練（假設(shè)數(shù)據(jù)已準(zhǔn)備好）#model.fit(X_train,y_train,epochs=10,batch_size=32,validation_data=(X_val,y_val))```解析：模型結(jié)構(gòu)已在注釋中給出。`pile()`是Keras模型訓(xùn)練前的必要步驟。`optimizer='adam'`指定使用Adam優(yōu)化算法，它是一種常用的自適應(yīng)學(xué)習(xí)率優(yōu)化器。`loss='categorical_crossentropy'`指定多分類(lèi)問(wèn)題的損失函數(shù)，適用于模型的最后一個(gè)層是`softmax`的情況。`metrics=['accuracy']`指定在訓(xùn)練和評(píng)估過(guò)程中要監(jiān)控的指標(biāo)，這里是分類(lèi)準(zhǔn)確率。`model.fit()`方法用于執(zhí)行模型訓(xùn)練，參數(shù)`epochs`設(shè)定訓(xùn)練輪數(shù)，`batch_size`設(shè)定每個(gè)批次的樣本數(shù)，`validation_data`用于在每輪訓(xùn)練后評(píng)估模型在驗(yàn)證集上的性能。注意，這里僅編寫(xiě)了編譯和`fit`方法的框架，實(shí)際運(yùn)行需要提供具體的數(shù)據(jù)集。四、```pythonfromsklearn.metricsimportprecision_score,recall_score,f1_score#假設(shè)y_pred和y_true是NumPy數(shù)組或PandasSeries#1.計(jì)算精確率precision=precision_score(y_true,y_pred,average='binary')#'binary'或'macro'等根據(jù)實(shí)際情況#2.計(jì)算召回率recall=recall_score(y_true,y_pred,average='binary')#3.計(jì)算F1分?jǐn)?shù)f1=f1_score(y_true,y_pred,average='binary')```解析：首先導(dǎo)入Scikit-learn中計(jì)算評(píng)估指標(biāo)的函數(shù)。`precision_score`函數(shù)計(jì)算精確率，它表示被模型預(yù)測(cè)為正類(lèi)的樣本中，實(shí)際為正類(lèi)的比例。`recall_score`函數(shù)計(jì)算召回率，它表示實(shí)際為正類(lèi)的樣本中，被模型正確預(yù)測(cè)為正類(lèi)的比例。`f1_score`函數(shù)計(jì)算F1分?jǐn)?shù)，它是精確率和召回率的調(diào)和平均數(shù)，綜合考慮了這兩個(gè)指標(biāo)，是二分類(lèi)問(wèn)題中常用的綜合評(píng)價(jià)指標(biāo)。參數(shù)`average='binary'`表示針對(duì)二分類(lèi)問(wèn)題進(jìn)行計(jì)算，如果問(wèn)題是多分類(lèi)，則需要選擇合適的平均方法（如`'macro'`,`'micro'`等）。需要確保`y_pred`和`y_true`是相同格式且類(lèi)型匹配的預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽。五、```pythonfromflaskimportFlask,request,jsonify#1.導(dǎo)入Flask相關(guān)模塊#app=Flask(__name__)#創(chuàng)建實(shí)例已在函數(shù)外定義#2.定義路由/predict@app.route('/predict',methods=['GET'])defpredict():try:#3.獲取參數(shù)并轉(zhuǎn)換temp=float(request.args.get('temp'))vib=float(request.args.get('vib'))#進(jìn)行預(yù)測(cè)（假設(shè)模型已加載到全局變量pretrained_model）prediction=pretrained_model.predict([[temp,vib]])[0]#4.返回JSON響應(yīng)returnjsonify({'prediction':prediction.tolist()})#假設(shè)是數(shù)組輸出exceptExceptionase:returnjsonify({'error':str(e)})#4.啟動(dòng)Flask應(yīng)用#if__name__=='__main__':#app.run(debug=True)```解析：首先導(dǎo)入Flask框架的相關(guān)模塊。創(chuàng)建一個(gè)Flask應(yīng)用實(shí)例`app`。使用`@app.route('/predict',methods=['GET'])`裝飾器定義一個(gè)名為`/predict`的路由，該路由只接受GET請(qǐng)求。在`predict`函數(shù)中，使用`request.args.get('param_name')`從URL查詢參數(shù)中獲取`'temp'`和`'vib'`的值，并嘗試將其轉(zhuǎn)換為浮點(diǎn)數(shù)。然后，假設(shè)有一個(gè)預(yù)定義的模型`pr