人工智能通识导论（理工类）第4章 习题及参考答案

3-2-习题4及参考答案1．判断以下说法是否正确，并简要说明理由。（1）Python中的变量在使用前必须先声明数据类型。（2）print(3/2)和print(3//2)的输出结果相同。（3）字符串"123"可以通过int("123")直接转换为整数类型。参考答案：（1）错误。Python是动态类型语言，变量不需要事先声明数据类型，直接赋值即可（如x=10），类型由赋值时确定的值决定。（2）错误。/是除法运算符，结果为浮点数，3/2输出1.5；//是整除运算符，结果为整数，3//2输出1。两者输出结果不同。（3）正确。int("123")会把纯数字字符串转换为整数123。需注意字符串内容必须是合法的整数格式。2．简要阐述Python的优缺点？并列举Python和其它编程语言的差别？参考答案：Python的优点包含以下几点：语法简洁、易读：接近自然语言，代码量通常比C、Java少很多，学习门槛低，适合初学者。开发效率高：丰富的第三方库（NumPy、Pandas、Django等），很多功能“开箱即用”。解释型语言、跨平台：无需编译，代码在Windows、Linux、macOS上都能运行。动态类型、灵活：变量无需声明类型，写代码快捷。应用范围广：Web开发、数据分析、人工智能、自动化脚本、爬虫等。社区活跃：文档、教程和开源资源丰富。缺点包括：运行速度较慢：解释执行，性能远低于C/C++、Java，对计算密集任务不利。多线程受GIL限制：CPython的全局解释器锁使多线程无法真正并行利用多核（CPU密集场景需用多进程或C扩展）。内存占用较大：对象封装开销大，不适合内存极度受限的嵌入式环境。动态类型带来隐患：类型错误要到运行时才能发现，大型项目中需要靠类型标注和静态检查工具辅助。移动端支持弱：与其它编程语言的差别是：python是解释型语言，由解释器逐行（或编译成字节码后）解释执行。C语言是编译型语言，由源代码直接编译成机器码，生成可执行文件。Python有垃圾回收机制（引用计数+循环垃圾回收），完全自动化。Python是动态类型，无需声明类型，a=10即可，变量的类型可随时改变，类型检查在运行期进行。C是静态类型，声明变量时必须指定类型，如inta=10，类型检查在编译期进行。3.编写Python程序，计算并输出1到100之间所有能被3整除但不能被5整除的整数之和。要求使用循环结构和条件判断。参考答案：参考代码如下：total=0#用于保存累加结果foriinrange(1,101):#遍历1到100ifi%3==0andi%5!=0:#能被3整除且不能被5整除total+=i#累加满足条件的数也可以使用while循环，参考代码如下：total=0i=1whilei<=100:ifi%3==0andi%5!=0:total+=ii+=1print("和为：",total)print("1到100之间能被3整除但不能被5整除的整数之和为：",total)4.简述Python中return语句与print()函数的本质区别。若在自定义函数中省略return，函数默认返回什么值？参考答案：return语句是函数的出口，它的作用是结束函数的执行，并把一个具体的值交还给调用函数的地方。这个返回值可以被变量接收，也可以继续参与后续的运算或作为参数传递给其他函数。也就是说，return实现了函数与程序其他部分之间的数据传递。print()函数的作用仅仅是把内容输出到控制台（屏幕）上，供人查看。它只是让程序“打印”一段信息，打印出来的内容只是显示在屏幕上，程序本身无法拿到这个结果继续使用。print只是产生一个输出动作，并没有把数据交还给调用者。简单来说：return是把结果“交出去”给程序用，print是把内容“展示出来”给人看。前者是函数设计中的数据出口，后者只是一种输出手段。如果在自定义函数中省略了return语句（或者只写了return而没有跟任何值），那么函数执行完毕后会默认返回None。None是Python中的一个特殊常量，表示“空值”或“没有值”，它的类型是NoneType。5.NumPy是人工智能开发中最基础的科学计算库。请回答：（1）NumPy数组（ndarray）与Python原生列表在运算效率上有何主要差异？原因是什么？（2）编写代码，使用NumPy创建一个3×3的二维数组，元素为1到9的整数，并计算该数组每行的平均值。参考答案：（1）NumPy数组与Python原生列表在运算效率上的差异及原因效率差异：NumPy数组的运算效率远高于Python原生列表。当对大规模数据进行逐元素运算（如数组加法、乘法）时，NumPy的速度通常是原生列表的几十倍甚至上百倍。原因主要有以下几点：第一，底层实现语言不同。NumPy的核心计算部分是用C语言编写的，执行的是编译后的机器码；而原生列表的操作完全依赖Python解释器逐条解释执行字节码，速度天然就慢。第二，内存存储方式不同。NumPy数组在内存中是连续存储的一块区域，元素类型一致，存取时可以直接按偏移量计算地址，缓存命中率很高；而Python列表存储的是指向各个对象的指针，元素在内存中分散存放，CPU需要额外的时间去跳转寻址，缓存利用率低。第三，运算机制不同。NumPy的运算以整个数组为单位进行矢量化操作，底层由高度优化的循环实现，无需在Python层面逐个元素循环；而原生列表做同样的运算，往往需要在Python中写for循环，每次循环都伴随解释器的开销，效率自然低下。第四，类型检查开销不同。原生列表中的每个元素都是独立的Python对象，每次运算都要做动态类型判断；NumPy数组元素类型统一，类型检查只需做一次，节省了大量开销。（2）参考代码importnumpyasnp#创建3×3二维数组，元素为1到9arr=np.arange(1,10).reshape(3,3)#计算每行的平均值（axis=1表示按行计算）row_mean=arr.mean(axis=1)print("数组：")print(arr)print("每行的平均值：",row_mean)6.列举出你所指定的几种经典人工智能数据集，并说明其数据集的数据类型和样本总数，思考如何获取对应的数据集。参考答案：1）经典人工智能数据集介绍（1）MNIST手写数字数据集-数据类型：灰度图像数据，每张图片是28×28像素的单通道灰度图，内容为0~9的手写阿拉伯数字，属于图像分类任务。-样本总数：共70000张图片，其中训练集60000张，测试集10000张，共10个类别。-获取方式：可以通过MNIST官方网站（YannLeCun的个人主页）直接下载；更方便的是通过Python库获取，如tensorflow.keras.datasets.mnist.load_data()或torchvision.datasets.MNIST()一键下载；也可在Kaggle上搜索下载。（2）CIFAR-10图像分类数据集-数据类型：彩色图像数据，每张图片是32×32像素的RGB三通道彩色图，内容为飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车共10个类别的物体，属于图像分类任务。-样本总数：共60000张图片，其中训练集50000张，测试集10000张，每个类别6000张。-获取方式：由多伦多大学计算机科学系发布，可访问其官方主页下载；也可通过torchvision.datasets.CIFAR10()或tensorflow.keras.datasets.cifar10.load_data()自动下载；Kaggle上也有镜像资源。（3）ImageNet大规模图像数据集-数据类型：高分辨率彩色图像数据，涵盖超过2万个类别的真实世界物体，是图像分类、目标检测任务的经典基准数据集，每年举办的ILSVRC竞赛使其名声大噪。-样本总数：超过1400万张带标注的图像（不同年份版本数量略有差异）。-获取方式：因数据集体积巨大（超过100GB），需在ImageNet官方网站（）注册账号并申请下载权限，审批通过后方可下载；也可通过学术机构提供的镜像站或Kaggle上的子集获取。（4）COCO目标检测与图像分割数据集-数据类型：彩色图像数据，标注内容包括目标检测框、实例分割掩码、图像描述（caption）等，属于多任务数据集，广泛用于目标检测、语义分割和图像描述生成任务。-样本总数：约33万张图像，超过200万个目标实例标注，80个物体类别。-获取方式：访问COCO数据集官方网站（）即可免费下载图像和标注文件；也可通过torchvision.datasets.CocoDetection()或COCOAPI加载。（5）IMDB电影评论情感分析数据集-数据类型：文本数据，内容是电影评论的英文文本，每条评论被标记为正面（positive）或负面（negative）两种情感，属于文本分类任务。-样本总数：共50000条评论，训练集和测试集各25000条，正负样本各半。-获取方式：最初由斯坦福大学的AndrewMaas等人发布，可在其项目主页下载；也可通过tensorflow.keras.datasets.imdb.load_data()或torchtext.datasets.IMDB()直接加载；Kaggle上亦有备份。（6）Iris鸢尾花数据集-数据类型：结构化数值数据，每条样本包含花萼长度、花萼宽度、花瓣长度、花瓣宽度共4个数值特征，标签为山鸢尾、杂色鸢尾、维吉尼亚鸢尾3个类别，属于多分类任务。-样本总数：共150条样本，每个类别50条，无独立的测试集（通常自行划分）。-获取方式：这是机器学习领域最著名的入门数据集，可直接通过sklearn.datasets.load_iris()一行代码加载；也可在UCI机器学习库（）下载CSV文件。（7）MovieLens电影评分数据集-数据类型：结构化表格数据，记录用户对电影的评分（1~5分），包括用户ID、电影ID、评分、时间戳等字段，广泛用于推荐系统算法的开发与评测。-样本总数：常见的MovieLens-100k版本包含10万条评分，由943名用户对1682部电影做出；还有1M、10M、20M等更大规模的版本。-获取方式：访问MovieLens官方网站（）免费下载各个版本；surprise等推荐系统库也内置了该数据集的加载接口。（8）20Newsgroups新闻组文本数据集-数据类型：文本数据，收集了来自20个不同主题新闻组的英文文档，如体育、政治、科技、宗教等，属于文本分类任务，也常用于文本聚类和主题模型研究。-样本总数：约18000篇文档，分为训练集和测试集。-获取方式：可通过sklearn.datasets.fetch_20newsgroups()直接下载加载；也可在其项目主页获取原始数据文件。2）获取数据集的通用思路：总结起来，获取经典数据集的途径主要有四类：一是访问数据集的官方网站或发布机构页面直接下载原始文件；二是利用Python库内置的加载接口（如sklearn、torchvision、tensorflow.keras），这些库能自动下载并缓存到本地，是最便捷的方式；三是在Kaggle、UCI机器学习库等公开数据平台上搜索下载；四是对于超大规模数据集（如ImageNet），需要注册申请使用权限，获批后才能获取。在实际开发中，推荐优先使用框架自带的数据集接口，既省去手动处理的麻烦，也保证了数据格式与教程、示例代码的一致性。7.阅读以下代码，写出程序的运行结果。x=5y=2.5z=x/yprint(type(z),z)a="人工智能通识基础"b=2026print(a+str(b))参考答案：运行结果为：<class'float'>2.0人工智能通识基础20268.请列举出python典型的与人工智能相关的开发库，并给出其对应的使用场合。参考答案：Python人工智能典型开发库及其使用场合1）科学计算与数据处理基础库（1）NumPy（NumericalPython）人工智能开发中最底层的科学计算库，提供高效的N维数组对象（ndarray）和大量数学函数。几乎所有其他AI库都建立在NumPy之上。适用于数组运算、矩阵运算、线性代数、随机数生成等数值计算场景，是数据处理的基础工具。（2）Pandas数据处理与分析库，提供Series和DataFrame两种核心数据结构。适用于数据的读取、清洗、筛选、合并、分组统计等操作，在数据预处理阶段使用极为频繁，常用于处理CSV、Excel、数据库中的表格型数据。2）传统机器学习库（1）Scikit-learn（sklearn）最经典的传统机器学习库，提供分类、回归、聚类、降维、模型选择、特征工程等完整工具链，算法实现统一、接口规范（fit/predict模式）。适用于中小规模数据集上的传统机器学习任务，如逻辑回归、支持向量机、决策树、随机森林、K-means聚类、主成分分析等，是机器学习入门和快速建模的首选。（2）XGBoost/LightGBM高性能梯度提升树库，专门针对表格数据的竞赛级算法。适用于结构化数据的分类和回归任务，在工业界的风控、推荐、广告点击率预测等场景表现优异，多次在Kaggle数据竞赛中夺冠。3）深度学习框架（1）TensorFlow（含Keras）Google开源的深度学习框架，Keras已作为其高级API深度集成。适用于大规模深度学习模型的训练与部署，生态成熟，支持移动端（TensorFlowLite）和生产环境（TFServing），在工业界部署方面应用广泛。（2）PyTorchMeta（原Facebook）开源的深度学习框架，以其动态图机制和Python风格的设计深受研究者喜爱，目前是学术界最流行的框架。适用于深度学习研究和快速实验，在自然语言处理、计算机视觉等领域占据主导地位，也逐步扩展到工业部署（通过TorchScript、ONNX等）。（3）Keras高级神经网络API，语法简洁，上手门槛低。适用于快速搭建和验证神经网络原型，适合深度学习的初学者，现已作为TensorFlow的官方高级接口使用。4）计算机视觉库（1）OpenCV（cv2）开源计算机视觉库，提供上千种图像处理和视觉算法。适用于图像读写、滤波、边缘检测、特征提取、目标检测、视频处理等任务，在工