AI算法与应用-03编程强化训练-005

友情提示：
1.	编程题可用pycharm或vscode编辑、调试，也可用其他方式，形式不限；
2.	编程题附上代码及结果截图；

## 第1章 Python

01.	关于 Python 程序格式框架的描述，以下选项中错误的是（ ）
Python 语言不采用严格的“缩进”来表明程序的格式框架
Python 语言的缩进可以采用 Tab 键实现
Python 单层缩进代码属于之前最邻近的一行非缩进代码，多层缩进代码根据缩进关系决定所属范围
判断、循环、函数等语法形式能够通过缩进包含一批 Python 代码，进而表达对应的语义
02．关于 Python 组合数据类型，以下选项中描述错误的是（ ）
Python 的 str、tuple 和 list 类型都属于序列类型
组合数据类型可以分为 3 类：序列类型、集合类型和映射类型
Python 组合数据类型能够将多个同类型或不同类型的数据组织起来，通过单一的表示使数据操作更有序、更容易
序列类型是二维元素向量，元素之间存在先后关系，通过序号访问
03．关于Python的lambda函数，以下选项中描述错误的是 （ ）
lambda函数将函数名作为函数结果返回
lambda用于定义简单的、能够在一行内表示的函数
f = lambda x,y:x+y 执行后，f的类型为数字类型
可以使用lambda函数定义列表的排序原则
04. 下面代码的执行结果是：（ ）
d = {}
for i in range(26):
d[chr(i+ord("a"))] = chr((i+13) % 26 + ord("a"))
for c in "Python":
print(d.get(c, c), end="")
Plguba
Python
Cabugl
Pabugl
05. 给出如下代码,可以输出“python”的是 （ ）
s = 'Python is beautiful!'
s  字符串
print(s[:–14])
print(s[0:6])
print(s[0:6].lower())
print(s[–21: –14].lower)
06. 关于Python注释，以下选项中描述错误的是 （ ）
Python注释语句不被解释器过滤掉，也不被执行
注释可用于标明作者和版权信息
注释可以辅助程序调试
注释用于解释代码原理或者用途
07. 给出如下代码，下述代码的输出结果是 ( )
s = "Alice"
print(s[::–1])
ALICE
Alic
ecilA
Alice
08. 下面代码的输出结果是 （ ）
s = "The python language is a cross platform language."
print(s.find('language',30))
11
10
40
系统报错
09. 下面代码的输出结果是 （ ）
a = [5,1,3,4]
print(sorted(a,reverse = True))
A:
B:
C:
D:
[1, 3, 4, 5]
[5, 4, 3, 1]
[5, 1, 3, 4]
[4, 3, 1, 5]
10. 关于形参和实参的描述，以下选项中正确的是（ ）
函数定义中参数列表里面的参数是实际参数，简称实参
程序在调用时，将形参复制给函数的实参
参数列表中给出要传入函数内部的参数，这类参数称为形式参数，简称形参
函数调用时，实参默认采用按照位置顺序的方式传递给函数，Python也提供了按照形参名称输入实参的方式

## 第2章 深度学习框架

01.	Tensor-numpy
02.	静态图和动态图
03.	在选择神经网络的深度时，下面哪些参数需要考虑？
（1）神经网络的类型(如MLP,CNN)
（2）输入数据
（3）计算能力(硬件和软件能力决定)
（4）学习速率
（5）映射的输出函数
04. 当在卷积神经网络中加入池化层(pooling layer)时，变换的不变性会被保留，是吗？
A.不知道
B.看情况
C.是
D.否
05. 如果我们用了一个过大的学习速率会发生什么？
A.神经网络会收敛
B.不好说
C.都不对
D.神经网络不会收敛
06. 关于pytorch 库说法错误的是（ ）
A.torch: 包含所有torch包和tensor库的顶级包
B.troch.nn: 是用于建立神经网络的包，它包含类和模块，如layer,weight和forward function
C.torch.autograd: 支持张量的导数运算，负责优化神经网络
D.torch.nn.function: 包含数据集和数据加载器的实用程序类
07. t = torch.Tensor([[1,2,3],[4,5,6],[7,8,9]])，t的秩(阶)Rank是多少（ ）
A.1
B.2
C.3
D.4
08. t = torch.tensor([[1,2,3],[4,5,6],[7,8,9]])，t的形状是（ ）
A.[2, 3]
B.[3, 3]
C.[1, 9]
D.[9, 1]
09．CNN输入张量的通常是（）
A.[color_channel, height, width]
B.[batchsize, height, width]
C.[height, width]
D.[batchsize, color_channel, height, width]
10. 创建pytorch张量的方法，共享数据的是（ ）
A.torch.as_tensor()
B.torch.tensor()
C.torch.Tensor()
D.torch. numpy()