《人工智能导论：模型与算法》（吴飞）习题答案及期末试题

《人工智能导论：模型与算法》（吴飞）习题答案及期末试题第一部分教材核心习题答案（贴合吴飞版教材章节重点）第1章人工智能概述习题答案简述人工智能的定义、核心研究目标及三大研究范式。

参考答案：①定义：人工智能（AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学，核心是让机器具备感知、推理、学习、决策等类人智能能力。②核心研究目标：实现机器的感知智能（如视觉、听觉识别）、认知智能（如推理、思考）和行为智能（如动作执行、决策落地），最终构建具有类人智能的系统。③三大研究范式：符号主义（基于逻辑推理，如专家系统）、连接主义（基于神经网络，如深度学习）、行为主义（基于环境交互与强化学习，如智能机器人）。

说明人工智能与机器学习、深度学习的关系。

参考答案：三者是包含与被包含的关系。人工智能是总领域，涵盖所有使机器具备智能的技术；机器学习是人工智能的核心分支，是实现人工智能的关键技术，通过算法让机器从数据中学习并改进；深度学习是机器学习的重要子集，基于深层神经网络，是当前人工智能爆发的核心驱动力，能处理更复杂的数据（如图像、文本），实现更高精度的智能任务，是连接主义范式的核心体现。

列举人工智能的典型应用场景（至少5个），并简要说明其核心技术支撑。

参考答案：①图像识别：应用于人脸解锁、安防监控，核心技术是卷积神经网络（CNN）、特征提取算法；②自然语言处理（NLP）：应用于机器翻译、智能客服，核心技术是Transformer架构、自注意力机制、词向量模型；③语音识别：应用于语音输入、智能音箱，核心技术是循环神经网络（RNN）、梅尔频率倒谱系数（MFCC）；④推荐系统：应用于电商推荐、短视频推送，核心技术是协同过滤、深度学习推荐模型；⑤强化学习：应用于智能机器人、自动驾驶，核心技术是Q-Learning、深度Q网络（DQN）、Actor-Critic框架；⑥数据挖掘：应用于用户画像、风险预测，核心技术是聚类算法（K-Means）、决策树、随机森林等。

第2章机器学习基础习题答案什么是机器学习？简述机器学习的基本流程及核心要素。

参考答案：①定义：机器学习是一门研究如何让计算机在没有明确编程指令的情况下，通过数据学习并改进自身性能的学科，核心是“数据驱动”的自主优化。②基本流程：数据采集与预处理（清洗、归一化、划分训练集/测试集）→模型选择与构建（选择合适的算法模型）→模型训练（通过训练数据优化模型参数）→模型评估（用测试集验证模型性能）→模型优化（调参、改进算法）→模型部署（应用于实际场景）。③核心要素：数据（机器学习的基础，决定模型上限）、算法（模型的核心，用于从数据中学习规律）、模型（算法的具体实现，是数据与输出的映射关系）、评估指标（衡量模型性能的标准）。

区分监督学习、无监督学习、强化学习的核心差异，各列举2种典型算法。

参考答案：①监督学习：有标签数据，目标是学习输入与标签的映射关系，用于分类、回归任务；典型算法：线性回归、逻辑回归、支持向量机（SVM）、决策树。②无监督学习：无标签数据，目标是从数据中挖掘潜在规律（如聚类、降维）；典型算法：K-Means聚类、主成分分析（PCA）、DBSCAN聚类、t-SNE降维。③强化学习：通过智能体与环境的交互，以“奖励/惩罚”为反馈，学习最优行为策略；典型算法：Q-Learning、深度Q网络（DQN）、DDPG、ProximalPolicyOptimization（PPO）。

简述过拟合、欠拟合的定义及解决方法。

参考答案：①过拟合：模型在训练集上表现极好，但在测试集上表现较差，本质是模型复杂度过高，过度拟合训练数据中的噪声，泛化能力弱；解决方法：增加训练数据量、使用正则化（L1、L2正则）、Dropout技术、EarlyStopping、降低模型复杂度、使用集成学习（如随机森林）。②欠拟合：模型在训练集和测试集上表现都较差，本质是模型复杂度过低，无法捕捉数据的核心规律；解决方法：增加模型复杂度（如加深神经网络、增加决策树深度）、增加特征维度、减少正则化强度、更换更强大的基模型（如用XGBoost替换线性模型）。

解释梯度下降算法的核心思想，列举3种常见的梯度下降变体，并说明其差异。

参考答案：①核心思想：基于微积分中的梯度，通过迭代调整模型参数，使损失函数达到最小值，本质是“沿着损失函数梯度下降的方向，逐步逼近最优解”。②常见变体及差异：a.批量梯度下降（BGD）：每次迭代使用全部训练数据计算梯度，收敛稳定，但计算量大，适用于小数据集；b.随机梯度下降（SGD）：每次迭代使用单个样本计算梯度，计算量小、速度快，但收敛波动大，易陷入局部最优；c.小批量梯度下降（MBGD）：每次迭代使用部分样本（小批量）计算梯度，兼顾计算效率与收敛稳定性，是实际应用中最常用的变体。第3章经典机器学习模型习题答案简述线性回归与逻辑回归的核心区别，说明各自的适用场景。

参考答案：①核心区别：a.任务类型不同：线性回归用于回归任务（输出连续值，如房价预测、温度预测）；逻辑回归用于分类任务（输出离散标签，如垃圾邮件识别、疾病诊断）。b.输出形式不同：线性回归输出是连续的预测值，满足y=wx+b；逻辑回归在linear回归基础上加入Sigmoid函数，输出是样本属于某一类别的概率值（0~1）。c.损失函数不同：线性回归使用均方误差（MSE）作为损失函数；逻辑回归使用交叉熵损失函数。②适用场景：线性回归适用于预测连续变量，且特征与目标值呈线性关系的场景；逻辑回归适用于二分类（或多分类）任务，且样本特征与类别概率呈线性关系的场景，如用户流失预测、文本情感分类（二分类）。

说明决策树的构建原理，列举决策树的特征选择方法及剪枝策略。

参考答案：①构建原理：以训练数据为基础，通过递归划分特征空间，每个内部节点选择最优特征进行分裂，每个叶子节点对应一个类别（分类任务）或预测值（回归任务），最终形成可解释性强的树形结构。②特征选择方法：信息增益（基于信息熵，优先选择使信息熵下降最多的特征）、信息增益比（解决信息增益偏向多取值特征的问题）、基尼不纯度（衡量节点纯度，基尼值越小，节点纯度越高，适用于CART算法）。③剪枝策略：目的是解决过拟合问题，分为预剪枝（构建过程中提前停止分裂，如限制树的深度、最小样本数）和后剪枝（构建完整决策树后，删除冗余分支，如代价复杂度剪枝）。

简述支持向量机（SVM）的核心思想，说明核函数的作用及常见核函数类型。

参考答案：①核心思想：在特征空间中找到一个最优超平面，将不同类别的样本完全分离（硬间隔），或在允许少量样本误分类的情况下，最大化分类间隔（软间隔），核心是“最大化间隔”，其数学本质是求解min½∥w∥²的约束优化问题。②核函数的作用：将低维线性不可分的数据映射到高维特征空间，使其在高维空间中线性可分，避免了高维空间的直接计算，降低计算复杂度。③常见核函数类型：线性核（适用于线性可分数据）、多项式核（适用于非线性数据，捕捉多项式关系）、高斯核（RBF核，适用于复杂非线性数据，应用最广泛，能处理任意非线性关系）、Sigmoid核（适用于类神经网络场景）。

什么是集成学习？简述随机森林的核心原理及优势。

参考答案：①集成学习：通过组合多个基模型（如决策树、线性模型）的预测结果，获得比单个基模型更优的泛化性能，核心是“集思广益”，降低单一模型的偏差和方差。②随机森林核心原理：基于Bootstrap采样（有放回抽样）生成多个训练子集，每个子集训练一棵决策树，同时在每棵树的特征分裂时，随机选择部分特征进行选择，最终通过投票（分类任务）或平均（回归任务）得到最终预测结果。③优势：泛化能力强，能有效降低过拟合风险；对异常值不敏感，鲁棒性好；可处理高维数据，无需特征归一化；能评估特征重要性；训练速度快，可并行训练多棵决策树。

第4章深度学习基础习题答案简述神经网络的基本结构，说明激活函数的作用及常见类型。

参考答案：①基本结构：由输入层、隐藏层、输出层组成；输入层接收原始数据（特征），隐藏层通过权重矩阵和激活函数进行非线性变换，输出层输出预测结果（分类/回归）；深层神经网络（深度学习）的核心是包含多个隐藏层，能捕捉更复杂的特征映射。②激活函数的作用：引入非线性因素，打破线性模型的局限性，使神经网络能拟合复杂的非线性关系，否则多层神经网络与单层线性模型等价。③常见类型：Sigmoid函数（输出0~1，适用于二分类输出层）、ReLU函数（修正线性单元，输入为负时输出0，输入为正时输出自身，解决梯度消失问题，适用于隐藏层）、Tanh函数（输出-1~1，比Sigmoid函数更对称）、Softmax函数（适用于多分类输出层，输出各类别概率之和为1）、LeakyReLU函数（解决ReLU函数的死亡神经元问题）。

解释反向传播算法的核心原理，说明其在神经网络训练中的作用。

参考答案：①核心原理：基于链式法则，从输出层开始，反向计算损失函数对每个模型参数（权重、偏置）的梯度，再根据梯度下降法调整参数，最小化损失函数；本质是“误差反向传播、参数正向更新”。②作用：是神经网络训练的核心算法，解决了多层神经网络参数优化的问题，能高效计算各层参数的梯度，指导参数迭代更新，使模型逐步逼近最优解，是深度学习模型能有效训练的关键基础，其梯度计算公式为∂W/∂L=δa（其中δ为误差项，a为隐藏层输出）。

简述卷积神经网络（CNN）的核心结构及各层的作用，说明其与传统神经网络的区别。

参考答案：①核心结构及作用：a.输入层：接收图像数据（如RGB图像的三维矩阵）；b.卷积层（Conv）：通过卷积核进行局部感知和权值共享，提取图像的局部特征（如边缘、纹理），参数数量N=k×k×C×C，远小于全连接层；c.池化层（Pooling）：对卷积层输出的特征图进行下采样，保留关键特征，减少参数数量，防止过拟合（常见类型：最大池化、平均池化）；d.全连接层（FC）：将池化层输出的特征图扁平化，映射到输出层，输出预测结果；e.输出层：根据任务类型（分类/回归）输出结果。②与传统神经网络的区别：传统神经网络采用全连接结构，每个神经元与上一层所有神经元连接，参数数量多、计算量大，且无法捕捉图像的空间特征；CNN通过局部感知、权值共享，大幅减少参数数量，降低计算复杂度，同时能有效捕捉图像的空间特征，适用于图像识别、目标检测等计算机视觉任务，从LeNet-5、AlexNet到ResNet的演进，进一步提升了CNN的特征提取能力和深度。

说明循环神经网络（RNN）的核心特点，简述LSTM如何解决RNN的长期依赖问题。

参考答案：①核心特点：具有记忆功能，能处理序列数据（如文本、时间序列），其隐藏层的输出不仅依赖于当前输入，还依赖于上一时刻的隐藏状态，适合捕捉序列数据的时序关系；但传统RNN存在梯度消失/梯度爆炸问题，无法处理长序列的长期依赖。②LSTM（长短期记忆网络）的解决方法：通过门控机制（输入门、遗忘门、输出门）控制信息的输入、遗忘和输出，引入细胞状态（CellState），实现信息的长期存储和选择性传递；遗忘门控制上一时刻细胞状态的保留比例，输入门控制当前输入信息的更新比例，输出门控制细胞状态的输出比例，从而有效缓解梯度消失问题，能捕捉长序列的长期依赖关系，其遗忘门计算公式为f=σ(W⋅(h,x))，GRU是LSTM的简化版本，通过更少的门控结构实现类似效果。

第5章自然语言处理与强化学习习题答案简述自然语言处理（NLP）的定义及核心任务，列举3种常见的NLP预处理方法。

参考答案：①定义：自然语言处理是人工智能的一个分支，研究计算机理解、处理、生成人类自然语言的技术，核心是实现“人机语言交互”。②核心任务：文本分词、词性标注、命名实体识别、文本分类、机器翻译、情感分析、问答系统、文本生成等。③常见预处理方法：a.文本清洗（去除标点、特殊字符、停用词）；b.分词（将句子拆分为词语或子词，如中文分词用jieba库）；c.词向量表示（将词语映射为低维向量，如Word2Vec、GloVe）；d.文本归一化（大小写统一、同义词替换、词性归一化）。

解释Transformer架构的核心思想，说明自注意力机制的计算过程及优势。

参考答案：①核心思想：完全基于自注意力机制，替代传统RNN的时序依赖建模方式，实现并行计算，解决RNN处理长序列时的效率低、长期依赖弱的问题，是当前NLP领域的核心架构（如BERT、GPT系列均基于Transformer）。②自注意力机制计算过程：Step1：将输入X通过三个可学习矩阵映射为查询向量（Q）、键向量（K）、值向量（V）；Step2：计算Q与K的转置的点积，除以√d（防止点积过大导致softmax梯度消失），得到注意力分数；Step3：对注意力分数进行softmax归一化，得到注意力权重；Step4：将注意力权重与V相乘，得到自注意力输出。③优势：能直接捕捉序列中任意两个位置的依赖关系，无需按时序顺序计算，支持并行训练，效率更高；能更好地处理长序列的长期依赖，注意力权重可直观反映不同位置的关联程度，其计算公式为Attention(Q,K,V)=softmax((QK)/√d)V，Multi-HeadAttention通过并行多个注意力头，捕捉不同子空间的语义信息。

简述强化学习的核心要素，说明Q-Learning算法的基本原理。

参考答案：①核心要素：智能体（Agent）、环境（Environment）、状态（State）、动作（Action）、奖励（Reward）、策略（Policy）、价值函数（ValueFunction）；智能体通过与环境交互，选择动作获得奖励，逐步学习最优策略，实现长期奖励最大化。②Q-Learning算法基本原理：属于无模型强化学习，核心是学习状态-动作值函数Q(s,a)（表示在状态s下选择动作a的预期长期奖励）；通过贝尔曼方程更新Q值，公式为Q(s,a)←Q(s,a)+α[r+γmaxQ(s′,a′)−Q(s,a)]，其中α为学习率（控制更新步长），γ为折扣因子（控制未来奖励的权重），r为当前动作获得的奖励，s′为执行动作a后的下一状态；通过不断迭代更新Q值，最终得到最优Q函数，进而得到最优策略，经验回放机制可打破数据相关性，提升算法稳定性。

说明深度强化学习（DRL）的定义，列举2种典型的DRL算法，并说明其核心优势。

参考答案：①定义：将深度学习与强化学习结合，用深度学习模型（如神经网络）替代传统强化学习中的价值函数或策略函数，能处理高维状态空间（如图像、文本），实现更复杂的智能任务。②典型算法：a.深度Q网络（DQN）：用卷积神经网络（CNN）拟合Q值函数，结合经验回放和目标网络，解决传统Q-Learning在高维状态下的泛化能力不足问题；b.Actor-Critic算法：包含Actor（策略网络，负责选择动作）和Critic（价值网络，负责评估动作价值），结合策略梯度和价值估计，能处理连续动作空间，收敛速度更快，其策略梯度计算公式为∇J(θ)=E(∇logπ(a∣s)Q(s,a))。③核心优势：能处理高维、复杂的状态空间，无需手动特征工程，可自主学习复杂的最优策略，适用于自动驾驶、智能机器人、游戏AI等复杂场景，是当前强化学习的主流方向。

第6章人工智能应用与前沿趋势习题答案列举人工智能在医疗、交通、金融领域的典型应用，说明其核心价值。

参考答案：①医疗领域：a.医学影像诊断（如CT、MRI图像识别，辅助医生检测肿瘤、病灶），核心价值：提高诊断效率和准确率，减少漏诊、误诊；b.药物研发（通过机器学习预测药物分子活性，筛选候选药物），核心价值：缩短药物研发周期，降低研发成本；c.智能问诊（基于NLP的智能客服，解答常见健康问题），核心价值：缓解医疗资源紧张，提升问诊便捷性。②交通领域：a.自动驾驶（基于计算机视觉、强化学习，实现车辆自主行驶），核心价值：提高交通安全性，减少交通事故，提升出行效率；b.交通调度（通过大数据和机器学习，优化交通信号灯、缓解拥堵），核心价值：提升交通通行效率，减少出行时间。③金融领域：a.风险控制（通过数据挖掘、机器学习，预测信贷风险、欺诈行为），核心价值：降低金融风险，保障资金安全；b.智能投顾（基于用户风险偏好，推荐个性化投资组合），核心价值：提升投资效率，降低投资门槛；c.量化交易（通过算法模型，实现自动交易、优化交易策略），核心价值：提高交易速度和准确性，降低人为误差。

简述人工智能的前沿趋势（至少3个），说明其发展方向。

参考答案：①大语言模型（LLM）：如GPT、BERT、文心一言，发展方向：提升模型的理解能力、生成能力和多模态交互能力，降低模型训练成本，实现模型小型化、轻量化，拓展应用场景（如智能办公、教育、创作）。②多模态学习：融合图像、文本、语音、视频等多种模态数据，发展方向：实现多模态数据的统一理解和生成，提升跨模态交互能力，如图文生成、语音转视频。③强化学习与机器人结合：发展方向：提升机器人的自主决策能力和环境适应能力，实现机器人在复杂场景（如工业制造、家庭服务）的落地应用。④人工智能伦理与安全：发展方向：建立人工智能伦理规范，防范算法偏见、数据泄露、AI滥用等风险，实现人工智能的可持续、负责任发展。⑤AutoML（自动机器学习）：发展方向：实现模型的自动选择、调参、部署，降低机器学习的使用门槛，让非专业人员也能使用AI技术。⑥AIforScience：利用人工智能求解科学计算问题，如量子力学、材料科学、生物医药等领域，推动基础科学研究突破，其本质是利用机器学习实现函数逼近、概率分布采样等经典计算数学问题的高效求解，克服维度灾难。

说明人工智能发展面临的挑战（至少3个），并提出相应的应对思路。

参考答案：①挑战一：数据安全与隐私保护，大量AI模型依赖海量数据，易出现数据泄露、滥用问题；应对思路：建立数据安全法律法规，采用数据加密、联邦学习（不共享原始数据，只共享模型参数）、差分隐私等技术，保护用户隐私。②挑战二：算法偏见与公平性，AI模型会学习训练数据中的偏见（如性别、种族偏见），导致决策不公平；应对思路：优化训练数据，去除偏见数据，设计公平性算法，建立AI公平性评估体系，定期检测和修正算法偏见。③挑战三：模型可解释性差，深度学习模型被称为“黑箱”，难以解释其决策过程，限制其在医疗、金融等关键领域的应用；应对思路：研究可解释性AI（XAI）技术，如特征可视化、注意力权重分析，提升模型的可解释性，让决策过程可追溯、可理解。④挑战四：算力瓶颈，深度学习模型训练需要大量算力，限制了中小机构和个人的AI研发；应对思路：发展高效计算架构（如GPU、TPU），优化模型算法，实现模型轻量化、量化，降低算力需求，同时推动算力共享。⑤挑战五：维度灾难，高维数据场景下，传统算法计算代价呈指数级增长，深度学习虽能缓解但仍面临挑战；应对思路：优化特征选择方法，采用降维算法（如PCA、t-SNE），研发更高效的高维数据处理模型，利用神经网络的逼近优势克服维度灾难影响。

第二部分期末试题（贴合吴飞版教材，适配本科/专科期末考核）考试时间：120分钟满分：100分姓名：__________得分：__________一、单项选择题（每题2分，共20分）人工智能的三大研究范式不包括（）。

A.符号主义B.连接主义C.行为主义D.经验主义

下列属于无监督学习算法的是（）。

A.线性回归B.K-Means聚类C.逻辑回归D.支持向量机（SVM）

解决神经网络梯度消失问题的常用激活函数是（）。

A.Sigmoid函数B.ReLU函数C.Tanh函数D.Softmax函数

卷积神经网络（CNN）的核心特点不包括（）。

A.局部感知B.权值共享C.全连接结构D.特征提取

下列不属于自然语言处理（NLP）核心任务的是（）。

A.图像分割B.文本分词C.机器翻译D.情感分析

强化学习中，智能体与环境交互的核心反馈是（）。

A.特征B.奖励C.模型D.数据

下列关于过拟合的说法，错误的是（）。

A.过拟合是模型在训练集上表现好，测试集上表现差

B.增加训练数据量可以缓解过拟合

C.过拟合是模型复杂度过低导致的

D.正则化可以缓解过拟合

Transformer架构的核心机制是（）。

A.卷积操作B.循环结构C.自注意力机制D.池化操作

下列属于深度强化学习算法的是（）。

A.Q-LearningB.深度Q网络（DQN）C.K-MeansD.决策树

人工智能发展面临的核心挑战不包括（）。

A.数据安全B.算法偏见C.算力充足D.模型可解释性差

二、多项选择题（每题3分，共15分，多选、少选、错选均不得分）机器学习的基本流程包括（）。

A.数据采集与预处理B.模型训练C.模型评估与优化D.模型部署

常见的决策树特征选择方法有（）。

A.信息增益B.信息增益比C.基尼不纯度D.梯度下降

卷积神经网络（CNN）的核心层包括（）。

A.卷积层B.池化层C.全连接层D.循环层

强化学习的核心要素包括（）。

A.智能体（Agent）B.环境（Environment）C.奖励（Reward）D.策略（Policy）

人工智能的典型应用场景有（）。

A.图像识别B.智能客服C.自动驾驶D.药物研发

三、判断题（每题1分，共10分，对的打“√”，错的打“×”）深度学习是机器学习的子集，机器学习是人工智能的子集。（）监督学习需要有标签数据，无监督学习不需要标签数据。（）反向传播算法是神经网络训练的核心算法，用于计算参数梯度。（）循环神经网络（RNN）适合处理图像数据，卷积神经网络（CNN）适合处理序列数据。（）Word2Vec是一种常用的词向量表示方法，能将词语映射为低维向量。（）强化学习的核心目标是实现短期奖励最大化。（）随机森林是一种集成学习算法，能有效降低过拟合风险。（）自注意力机制能直接捕捉序列中任意两个位置的依赖关系。（）人工智能的发展不需要考虑伦理问题，只需追求技术突破。（）联邦学习能在不共享原始数据的前提下，实现模型协同训练，保护用户隐私。（）四、简答题（每题10分，共30分）简述机器学习中监督学习、无监督学习、强化学习的核心差异，各列举1种典型算法及适用场景。说明卷积神经网络（CNN）的核心结构及各层的作用，解释其为什么适合处理图像数据。简述Transformer架构的核心思想及自注意力机制的计算步骤，说明其与RNN相比的优势。五、论述题（每题15分，共25分）结合吴飞《人工智能导论：模型与算法》教材内容，论述深度学习的核心优势及面临的挑战，并谈谈你对深度学习未来发展方向的看法。结合实际应用场景，论述强化学习的核心原理及深度强化学习的应用价值，举例说明深度强化学习在某一领域的具体应用（需说明应用场景、核心技术及应用效果）。期末试题参考答案一、单项选择题1.D2.B3.B4.C5.A6.B7.C8.C9.B10.C二、多项选择题1.ABCD2.ABC3.ABC4.ABCD5.ABCD三、判断题1.√2.√3.√4.×5.√6.×7.√8.√9.×10.√四、简答题核心差异：①监督学习：有标签数据，学习输入与标签的映射关系，用于分类、回归任务；典型算法：逻辑回归，适用场景：垃圾邮件识别、用户流失预测等二分类任务。②无监督学习：无标签数据，挖掘数据潜在规律（聚类、降维）；典型算法：K-Means聚类，适用场景：用户画像聚类、数据异常检测等。③强化学习：通过智能体与环境交互，以奖励/惩罚为反馈，学习最优策略；典型算法：Q-Learning，适用场景：智能机器人导航、游戏AI等。（每点3分，核心差异1分，算法+场景2分，共10分）

核心结构及作用：①输入层：接收图像的三维矩阵（宽度、高度、通道数），如RGB图像的3通道数据；②卷积层：通过卷积核进行局部感知和权值共享，提取图像的局部特征（边缘、纹理），减少参数数量；③池化层：对卷积层输出的特征图进行下采样，保留关键特征，降低维度，防止过拟合；④全连接层：将池化层输出的特征图扁平化，映射到输出层，输出分类/回归结果；⑤输出层：根据任务输出预测结果（分类用Softmax，回归用线性输出）。（6分）

适合处理图像数据的原因：①局部感知：图像的局部特征（如边缘）具有关联性，卷积核仅关注局部区域，符合图像的结构特点；②权值共享：同一卷积核在整个图像上共享权重，大幅减少参数数量，降低计算复杂度；③特征提取能力强：通过多层卷积和池化，逐步提取低级特征（边缘）到高级特征（物体轮廓），能有效捕捉图像的空间特征，适配图像识别等任务。（4分，共10分）

核心思想：完全基于自注意力机制，替代传统RNN的时序依赖建模，实现并行计算，解决RNN处理长序列的效率低、长期依赖弱的问题，核心是通过注意力权重捕捉序列中任意位置的关联关系。（3分）

自注意力机制计算步骤：①输入映射：将输入X通过三个可学习矩阵映射为Q（查询）、K（键）、V（值）；②计算注意力分数：计算Q与K的点积，除以√d（避免点积过大）；③归一化：对注意力分数进行softmax归一化，得到注意力权重；④输出计算：将注意力权重与V相乘，得到自注意力输出（Multi-HeadAttention需并行多个注意力头并拼接）。（4分）

与RNN相比的优势：①并行计算：无需按时序顺序处理，可同时计算所有位置的注意力，效率更高；②长期依赖：能直接捕捉序列中任意两个位置的依赖关系，无梯度消失问题，适合长序列；③语义捕捉能力强：注意力权重可直观反映不同位置的关联程度，能更好地理解序列语义。（3分，共10分）

五、论述题核心优势：①特征学习能力强：无需手动设计特征，能自动从数据中学习低级到高级的特征