人工智能复习_在线真题试卷与模拟练习_人工智能复习_考试宝

更新时间：试题数量：购买人数：提供作者：

有效期：个月

章节介绍：共有个章节

收藏

我的练习

我的错题
(0道)

我的收藏
(0道)

我的斩题
(0道)

我的笔记
(0道)

专项练习

顺序练习 0 / 0

随机练习 自定义设置练习量

题型乱序 按导入顺序练习

模拟考试 仿真模拟

题型练习 按题型分类练习

易错题 精选高频易错题

学习资料 考试学习相关信息

搜索

题库预览

预训练模型是一种迁移学习的方法。

基础核心单元是三元组，四元组则是三元组的扩展形式

卷积核沿图像像素矩阵滑动（在图像上滑动运算），逐区域进行乘加运算

机器人感知系统主要依赖机器视觉（视觉、语音、触觉）

神经网络的训练过程核心就是由前向计算和反向传播两个环节交替迭代

大数据的思维特征有什么（英文作答）BDTC（Big Data Thinking Characteristics）

5G四大核心特性：高速率、低时延、泛在网、低功耗

云计算服务模式：IaaS（基础设施即服务）、PaaS（平台即服务）、SaaS（软件即服务）

卷积核在图像滑动时权重不变，即权重共享，大幅减少参数量（卷积操作通过权重共享来减少参数）

区块链五大特性：去中心化、开放性、自治性、信息不可篡改、匿名性）

EasyDL核心特点聚焦低门槛、高效率、高精度、全流程、多端部署、高适配，【缺少答案，请补充】

RNN依赖序列顺序，输入顺序改变会导致隐藏状态传递变化，最终输出改变）【缺少答案，请补充】

区块链记录AI决策过程以提升透明度，存储可信数据用于AI训练（区块链用于AI价值保障数据可信）

神经网络训练有参数和超参数。层数、神经元个数、Epochs提前人为设定好→超参数学习→权重W（参数）超参数定框架，参数是框架里学出来的核心变量【缺少答案，请补充】

物联网“感传智控”四层：感知层（采集）、传输层（传数据）、智能层（分析）、应用层（落地）

神经元模型中权重表示输入信号对输出的贡献程度

激活函数如Sigmoid、ReLU引入非线性，使神经网络可拟合复杂非线性关系（激活函数的作用是引入非线性）

实验一 #导入必要的库 import tensorflow as tf from tensorflow.keras import layers, models import numpy as np import matplotlib.pyplot as plt #1. 加载并预处理MNIST数据集， print("正在加载MNIST数据集...") (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() x_train = x_train.astype('float32') / 255.0 x_test = x_test.astype('float32') / 255.0 #y_train = tf.keras.utils.to_categorical(y_train, 10) #y_test = tf.keras.utils.to_categorical(y_test, 10) print(f"训练集形状：{x_train.shape}") # (60000, 28, 28) print(f"测试集形状：{x_test.shape}") # (10000, 28, 28) #2. 构建简单的全连接神经网络模型 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), #将28x28图像展平为784，把图像拉直，方便全连接网络处理 layers.Dense(128, activation='relu'), #全连接层，128个神经元 layers.Dropout(0.2), #防止过拟合 layers.Dense(10, activation='softmax') #输出层，10个类别 ]) #3. 编译模型 model.compile( optimizer='adam', loss='sparse_categorical_crossentropy', #标签是整数，不用one-hot metrics=['accuracy'] ) #4. 训练模型 history = model.fit( x_train, y_train, epochs = 5, batch_size=32, validation_data=(x_test, y_test), verbose=1 ) #5. 评估模型 print("\n评估模型...") test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0) print(f"测试集准确率：{test_acc}") 实验二 import matplotlib.pyplot as plt import numpy as np '''1.绘制折线图''' #数据 x = [1, 2, 3, 4, 5] y = [2, 3, 5, 7, 11] plt.figure(figsize=(6, 4)) plt.plot(x, y, marker='o', color='b', label='价格') plt.title('练习1画折线图') plt.xlabel('X-axis') plt.ylabel('Y-axis') plt.legend() plt.grid(True) #保存为高分辨率图片（比如用于报告或论文）300-600dpi用于打印一般足够 plt.savefig('1折线图.png') plt.show() '''2.绘制柱状图''' #数据 categories = ['A', 'B', 'C', 'D'] values = [23, 45, 56, 78] #绘制柱状图 plt.figure(figsize=(6, 4)) plt.bar(categories, values, color=['red', 'green', 'blue', 'orange']) plt.title('练习2画柱状图') plt.xlabel('类别') plt.ylabel('值') plt.savefig('柱状图.png', dpi = 300) plt.show() 实验三 import matplotlib.pyplot as plt import numpy as np labels = ['A', 'B', 'C', 'D'] sizes = [15, 30, 45, 10] #设置每个扇区的颜色 colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99'] explode = (0, 0, 0.2, 0) #绘制饼图 plt.pie( sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=90 ) plt.axis('equal') #添加标题 plt.title('自定义饼图') plt.savefig('4饼图',dpi=300,bbox_inches = 'tight') plt.show() '''绘制散点图''' #随机生成数据 np.random.seed(42) #或np.random.uniform(-30,30) 随机生成[-30，30）范围浮点数 x = np.random.rand(50) y = np.random.rand(50) colors = np.random.rand(50) sizes = 1000 * np.random.rand(50) plt.figure(figsize=(6, 4)) plt.scatter(x, y, c=colors, s=sizes, alpha=0.6) #绘制散点图 plt.title('练习5散点图') plt.xlabel('X-axis') plt.ylabel('Y-axis') plt.colorbar() #显示颜色条 plt.savefig('5散点图（二维）.png',dpi=300,bbox_inches='tight') plt.show()【缺少答案，请补充】

构建高质量数据意义

图像分类是计算机视觉中重要的基本任务，（1.把图像分类在计算机视觉中的定位 2.图像分类的过程 3.深度学习的提取图像特征的优势）

1 2

更多题库