人工智能案例實戰(zhàn)智慧樹知到期末考試答案2024年

人工智能案例實戰(zhàn)智慧樹知到期末考試答案2024年人工智能案例實戰(zhàn)以下說法中錯誤的是（）。

A:Python變量在使用之前不需要聲明B:print()函數(shù)在輸出中自動包含換行，默認每次打印一行C:Python語句的縮進可有可無D:在Python中，標(biāo)識符是大小寫敏感的答案::C以下程序的輸出結(jié)果是（）。

a=[“牡丹”,”芍藥”,”玫瑰”,”月季”]dela[1:3]print(a)

A:[”玫瑰”,”月季”]B:[“牡丹”]C:[”月季”]D:[“牡丹”,”月季”]答案:[“牡丹”,”月季”]下面安裝包的命令中，錯誤的是：（）。

A:condainstalltensorflow==1.14.0B:condainstalltensorflow=2.0.0betaC:pipinstalltensorflow=2.0.0alphaD:pipinstalltensorflow==2.0.0答案:pipinstalltensorflow=2.0.0alpha以下關(guān)于字典的描述，錯誤的是（）。

A:字典中的鍵可以對應(yīng)多個值信息B:字典是鍵值對的集合C:字典中元素以鍵信息為索引訪問D:字典長度是可變的????????????????????????????????????????????????????????????????????????????????答案:字典中的鍵可以對應(yīng)多個值信息Python不支持的數(shù)據(jù)類型有（）

A:listB:intC:floatD:char答案:char下面的Anaconda工具中，（）不能直接用來編輯和運行源代碼。

A:SpyderB:JupyternotebookC:VSCodeD:AnacondaNavigator答案:AnacondaNavigator回歸問題和分類問題都屬于有監(jiān)督學(xué)習(xí)。（）

A:正確B:錯誤答案:正確使用三引號創(chuàng)建字符串時不允許使用轉(zhuǎn)義符。（）

A:正確B:錯誤答案:錯誤學(xué)習(xí)率設(shè)置大一些可以提高模型的收斂速度，效果更好。（）

A:正確B:錯誤答案:錯誤tf_version_可用來查看當(dāng)前Tensorflow的版本號。

A:錯誤B:正確答案:正確TensorFlow2.0中，只提供了以e為底的自然對數(shù)運算，如果需要計算以其他底數(shù)的對數(shù)運算，可以利用換底公式來實現(xiàn)。（）

A:錯誤B:正確答案:正確多維向量乘法運算時，會先用張量的最后兩維做向量乘法，然后高維采用廣播機制，得到運算結(jié)果。

A:錯B:對答案:.*安裝tensorflow2.0開發(fā)環(huán)境的步驟是：創(chuàng)建環(huán)境并激活；安裝需要的模塊和包；安裝tensorflow2.0；測試。（）

A:正確B:錯誤答案:正確采用SoftMax作為模型的最后一層對鳶尾花分三類需要三個神經(jīng)元。（）

A:正確B:錯誤答案:正確JupyterNotebook不僅可以編輯和運行程序，而且還可以將程序和文檔組織在一起，將代碼、圖像、注釋、公式、圖形、甚至運行結(jié)果都整合在同一個文檔中，編寫出漂亮的交互式文檔。（）

A:錯B:對答案:對如果訓(xùn)練集的準確率高，那么測試集的準確率也一定高。

A:錯B:對答案:錯一般來說，回歸不用在分類問題上，但是也有特殊情況，比如logistic回歸可以用來解決0/1分類問題。（）

A:對B:錯答案:對在某些情況下，可以用回歸解決分類問題，例如：邏輯回歸可以解決二分類問題。（）

A:正確B:錯誤答案:正確創(chuàng)建一個值為[10，49]的數(shù)組的語句為（）。

A:np.arange(10,49)B:np.arange(10,50)C:np.linspace(10,49)D:np.range(10,50)答案:AI參考:正確答案是【C】np.linspace(10,49)。\n\nnp.arange(start,stop[,step])和np.range(start,stop[,step])用于生成等差數(shù)列，但是這里生成的數(shù)組的元素個數(shù)為50個，因此這兩個選項都不合適。np.linspace(start,stop[,num])是用于生成等差數(shù)列的，其中start和stop是數(shù)列的起點和終點，而num則是數(shù)列的個數(shù)，根據(jù)這個可以得出正確的答案。所以正確選項為C。'以下程序的輸出結(jié)果是（）。

x=3

while

x＜6:

ifx==4:

break

ifx%2==0:

continue

x+=1

print(x)

A:3B:死循環(huán)C:無輸出D:4答案:AI參考:程序的輸出結(jié)果是：D:4。\n\n程序中，x從3開始，進入while循環(huán)。在循環(huán)體中，首先檢查x是否等于4，如果是，則跳出循環(huán)，程序結(jié)束。但在這里，x并不等于4，因此程序繼續(xù)執(zhí)行。接下來檢查x是否為偶數(shù)，由于x為奇數(shù)，所以ifx%2==0的條件不滿足，程序繼續(xù)執(zhí)行下一次循環(huán)。最后，x增加1，輸出結(jié)果為4。\n\n因此，這個程序并不會進入死循環(huán)，而是會按照預(yù)期的邏輯進行輸出。所以答案是D：4。'以下程序的輸出結(jié)果是。

img1=[['北京',98],['上海',80]]

img1[1]=90

print(img1)（）

答案:"AI參考:輸出結(jié)果是[[北京,90],[上海,80]]。在Python中，列表的索引是從0開始的，所以img1[1]實際上是訪問并修改了第二個元素的值。所以，當(dāng)我們將img1[1]的值改為90時，列表中的第二個元素的值就被修改為了90。因此，最后的輸出結(jié)果就是[[北京,90],[上海,80]]。"給出如下代碼：????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????

deffunc(a,b):????????????????????????????????????????????????????????????????????????????

c=a**2+b

b=a

returnc

a=10

b=100

c=func(a,b)+a

以下選項中錯誤的是（）

A:a的值為10B:b的值為100C:函數(shù)名稱為funcD:c的值為200答案:AI參考:選項C錯誤。\n\n代碼中定義了一個名為func的函數(shù)，它接受兩個參數(shù)a和b，返回a的平方加上b的值。函數(shù)體中，先將a的值賦給b，再計算a的平方加b的值。最后將該值加上a的值賦給c。\n\n在給出的代碼中，a的值為10，b的值為100，c的值為210。因此，選項C錯誤，因為函數(shù)名稱不是由代碼中定義的func。函數(shù)名稱應(yīng)該根據(jù)需要自行命名。'以下程序的輸出結(jié)果是。

a=[“book”,”reader”,200]

a.append(100)

a.append([10,20])

print(a)（）

A:[“book”,”reader”,200,100,10,20]B:[“book”,”reader”,200,100]C:[“book”,”reader”,200,100,[10,20]]D:[“book”,”reader”,200,100,10,[20]]答案:AI參考:程序輸出的結(jié)果應(yīng)該是D:[“book”,”reader”,200,100,10,[20]]\n\n在Python中，`append()`方法被用來向列表中添加一個元素。在這個程序中，`a`列表首先被添加了字符串`“book”,”reader”,200`，然后又被添加了整數(shù)100和列表[10,20]。最后，使用`print()`函數(shù)打印出整個列表`a`。由于列表的`append()`方法不會改變列表的順序，所以最終輸出結(jié)果是：原有的元素（200,100）后面跟上了新的元素（10,[20]）。因此，答案是D。'下列（）方法可以實現(xiàn)兩個張量逐元素相乘。

A:tf.add(x,y)B:z=x@yC:tf.multiply(x,y)D:tf.sub(x,y)答案:AI參考:正確選項是C:tf.multiply(x,y)。tf.multiply(x,y)方法用于將兩個張量逐元素相乘。它可以處理兩個相同形狀的張量，并返回一個新的張量，其中每個元素都是輸入張量對應(yīng)位置元素的乘積。選項A和D中的tf.add(x,y)和tf.sub(x,y)分別用于加法和減法操作，選項B中的@符號是TensorFlow中的張量運算符，但并不能實現(xiàn)兩個張量的逐元素相乘。'如果依次輸入3,10,5.3,4,-2，請問以下程序的輸出結(jié)果是。

number=eval(input())

max=number

whilenumber＞0:

number=eval(input())

ifnumber＞max:

max=number

print(max)（）

A:3B:10C:-2D:5.3答案:AI參考:選項B\n\n解析：首先輸入的數(shù)字3、10、5.3和4都比數(shù)字max小，只有最后輸入的數(shù)字-2大于當(dāng)前最大值max，所以將-2賦值給max。\n\n最終輸出的結(jié)果是-2。'執(zhí)行下列程序段，輸入數(shù)值8，輸出的結(jié)果是。

x=input()

y=x*3

print(y)（）

A:”83”B:”888”C:程序出錯D:24答案:AI參考:答案：D。\n執(zhí)行程序段后，x=8，y=24，因此輸出結(jié)果為y的值，即24。因此，正確選項為D：“24”。'以下程序的輸出結(jié)果是（）。??????????????????????????????????????????????????????????????????????????????????????????????????????sum=0.0fornuminrange(1,11):

sum+=numprint(sum)

A:45B:45.0C:55.0D:55答案:AI參考:正確選項是B:45.0。\n\n程序中的for循環(huán)會從1遍歷到10，每次將當(dāng)前數(shù)加到sum變量中。最后輸出sum的值，即1+2+3+...+10的和，結(jié)果是45。由于浮點數(shù)在輸出時會自動轉(zhuǎn)換為最接近的十進制表示，所以輸出結(jié)果為45.0。'以下（）是python的單行注釋表示。

A:/*注釋*/B:#注釋C:%注釋D://注釋答案:AI參考:正確選項是B:#注釋。\n\n在Python中，單行注釋通常使用"#"符號表示。這個符號后面的內(nèi)容會被Python解釋器忽略，通常用于添加對代碼的解釋或備注。例如：\n\n\n```python\n#這是一個注釋\nprint("Hello,world!")#輸出"Hello,world!"\n```\n選項A和C中的符號"/*"和"%"并不是Python中的注釋符號，選項D中的符號"http://"通常用于多行注釋。因此，選項B"#"是Python中單行注釋的正確表示方式。'

程序輸出的結(jié)果是（）。

for

i

inrange(4):

forjinrange(i,3):

if(i+j)%2==0:

print(i,j)

break

A:

0022B:

001122C:

0011D:

1122答案:AI參考:正確答案是B。\n\n程序輸出的結(jié)果是：00122。這是兩層嵌套循環(huán)的結(jié)果。外部循環(huán)從0到3，依次打印每個內(nèi)循環(huán)的范圍值（從i到2），且因為內(nèi)部循環(huán)i的步長是i-j，所以第二個j的輸出會在i上步長為j+1。最終的輸出順序就是遍歷外部循環(huán)后內(nèi)部的每個范圍的結(jié)果，符合順序依次輸出。所以，輸出結(jié)果是00122。'關(guān)于return語句，以下描述正確的是：（）

A:函數(shù)中最多只有一個return語句B:函數(shù)必須有一個return語句C:函數(shù)可以沒有return語句D:return只能返回一個值答案:AI參考:正確選項是：D:return只能返回一個值。\n\n在函數(shù)中使用return語句需要滿足以下條件：\n\n1.return語句必須是函數(shù)的最后一個語句。\n2.return語句只能返回一個值，如果需要返回多個值，可以使用元組等結(jié)構(gòu)體類型進行返回。\n\n因此，選項D是正確的描述。選項A和B都存在限制條件，選項C則是不正確的描述，因為函數(shù)可以沒有return語句，但這種情況會導(dǎo)致函數(shù)無法正常結(jié)束并返回結(jié)果。'下面程序段的輸出結(jié)果是。

forsin"祖國,你好！":

ifs==",":

continue

print(s,end="")（）

A:祖國,B:你好！C:祖國,你好！D:祖國你好！答案:AI參考:答案為C：祖國,你好！\n\n程序段遍歷字符串"祖國,你好！"中的每個字符，當(dāng)遇到逗號","時，使用continue語句跳過當(dāng)前循環(huán)迭代，繼續(xù)下一次迭代。因此，當(dāng)遍歷到"祖國,"時，會跳過后面的字符，只輸出"祖國，"；當(dāng)遍歷到"你好！"時，會輸出該字符，即"你好！"。所以程序的輸出結(jié)果為"祖國,你好！"。\n\n因此，正確選項為C：祖國,你好！。'執(zhí)行下面代碼，得到的正確結(jié)果是。

a=[2,4,1,5,3]

a.reverse(True)

print(a)（）

A:其余都不對B:[5,4,3,2,1]C:[2,4,1,5,3]D:[1,2,3,4,5]答案:AI參考:執(zhí)行以下代碼，得到的正確結(jié)果是B：`[5,4,3,2,1]`。\n\n在Python中，`reverse()`函數(shù)用于將列表反轉(zhuǎn)。如果傳入的參數(shù)為`True`，那么會交換列表中相鄰元素的順序，實現(xiàn)反轉(zhuǎn)。因此，原本的列表`a=[2,4,1,5,3]`會被反轉(zhuǎn)為`[5,4,3,2,1]`。\n\n代碼解釋：\n\n*`a=[2,4,1,5,3]`：定義一個列表a，包含5個元素。\n*`a.reverse(True)`：調(diào)用列表的`reverse()`函數(shù)，將列表反轉(zhuǎn)。\n*`print(a)`：打印反轉(zhuǎn)后的列表。\n\n選項A、C、D都是錯誤的，因為只有選項B是正確的，它描述了代碼運行后的結(jié)果。'以下語句中b的shape為。

import

numpy

as

np

a=np.array([[1,2.3],[3,5]])

b=tf.constant(a)（）

A:(2,2)B:(1,1)C:其余都不對D:(2,3)答案:AI參考:從給出的代碼和語句來看，這里使用了Numpy庫來創(chuàng)建了一個二維數(shù)組a，然后使用TensorFlow的tf.constant()函數(shù)將這個數(shù)組轉(zhuǎn)換為一個Tensor對象。這個Tensor對象b的shape應(yīng)該與原始數(shù)組a的shape相同，即(2,2)。所以，正確的選項是A:(2,2)。'字典d={'A':1,'B':2,'C':3}，len(d)的結(jié)果是（）。

A:3B:6C:5D:12答案:AI參考:正確答案是C，字典d中每個鍵值對都是一個元素，字典中的鍵是唯一的，因此len(d)的結(jié)果是5。鍵的數(shù)量為3，對應(yīng)的值有重復(fù)，但不會影響鍵的數(shù)量。所以選擇C選項。'執(zhí)行下面代碼，以下說法正確的是。

x=['bob','tom','kitty']

y=[80,90,95]

d=dict(zip(x,y))（）

答案:"AI參考:正確選項是D.d是一個字典，其中鍵是x列表中的元素，值是y列表中的元素。解釋：*`x=[bob,tom,kitty]`：定義了一個列表x，包含三個字符串元素。*`y=[80,90,95]`：定義了一個列表y，包含三個整數(shù)元素。*`d=dict(zip(x,y))`：使用`zip`函數(shù)將x和y列表中的對應(yīng)元素打包成一個個元組，再將這些元組作為字典的鍵值對。因此，d是一個字典，其中鍵是x列表中的元素（即[bob,tom,kitty]），值是y列表中的元素（即[80,90,95]）。所以，對于這段代碼的正確說法是D.d是一個字典，其中鍵是x列表中的元素，值是y列表中的元素。"下列（）函數(shù)可以用來創(chuàng)建元素符合均勻分布的張量。

A:tf.fill()B:tf.range()C:tf.random.uniform()D:tf.random.normal()答案:AI參考:正確選項是C:tf.random.uniform()。\n\ntf.random.uniform()函數(shù)可以用來創(chuàng)建元素符合均勻分布的張量。該函數(shù)接受三個參數(shù)：最小值、最大值和形狀，可以根據(jù)需要指定張量的形狀和范圍。\n\ntf.fill()函數(shù)用于填充張量中的元素，通常用于填充特定值，而不是創(chuàng)建符合均勻分布的張量。\n\ntf.range()函數(shù)用于生成一個范圍序列，但無法直接用于創(chuàng)建符合均勻分布的張量。\n\ntf.random.normal()函數(shù)可以用來創(chuàng)建元素符合正態(tài)分布的張量，而不是均勻分布。\n\n因此，選項C是正確答案。'在sum初始值為0的情況下，以下語句不能完成1~10的累加求和的是（）。

A:foriinrange(10,0,-1):sum+=iB:foriinrange(11):sum+=iC:foriinrang