【无标题】

实验一

• 背景简介/问题描述

实验内容：

参照课程第二部分讲授的知识表示方法完成，包括产生式系统、框架系统、语义网络等（还可以选择其他方法）解决以下问题（不限于此），必要时上网查找有关参考文献。

猴子摘香蕉问题：

一个房间里，天花板上挂有一串香蕉，有一只猴子可在房间里任意活动（到处走动，推移箱子，攀登箱子等）。设房间里还有一只可被猴子移动的箱子，且猴子登上箱子时才能摘到香蕉，问猴子在某一状态下（设猴子位置为A，香蕉位置在B，箱子位置为C），如何行动可摘取到香蕉。

• 算法实现

3.1谓词表示法

1. 定义描述状态谓词：

SITE(x, y): x在y 处；

HANG(w,y):w悬挂在y处；

ON (z): z站在箱子上；

HOLDS(z): z手里拿着香蕉

变元的个体域:

x的个体域是{Monkey, Box}；

y的个体域是{a, b, c}；

z的个体域是{Monkey}；

w的个体域是{Banana}

问题的初始状态：

问题的目标状态：

1. 定义四个操作：

Goto(u,v): 猴子从 u 走到 v 处。

条件：

动作：删除表；添加表

Pushbox(v,w):猴子推着箱子从v 走到w 处。

条件  ：

动作：删除表；

添加表

Climbbox: 猴子爬上箱子。

条件：

动作：删除表；添加表

Grasp: 猴子摘到香蕉。

条件：

动作：删除表；

添加表

1. 猴子摘香蕉求解过程：

                -Goto(u,v)->

-Pushbox(v,w)->-Climbbox->

-Grasp->

3.2产生式表示法：

1. 综合数据库：

(M, B, Box, On, H)

M:猴子的位置                 B：香蕉的位置

Box:箱子的位置               On=0:猴子在地板上

On=1:猴子在箱子上           H=0:猴子没有抓到香蕉

H=1:猴子抓到了香蕉

1. 初始状态：(a,c,b,0,0)
2. 结束状态：(c,c,c,1,1)
3. 规则集：

r1: IF (x, y, z, 0, 0) THEN (w, y, z, 0, 0)

r2: IF (x, y, x, 0, 0) THEN (z, y, z, 0, 0)

r3: IF (x, y, x, 0, 0) THEN (x, y, x, 1, 0)

r4: IF (x, y, x, 1, 0) THEN (x, y, x, 0, 0)

r5: IF (x, x, x, 1, 0) THEN (x, x, x, 1, 1)

其中， x, y, z, w 为变量。

1. 根据猴子摘香蕉这一具体问题可将规则具体为：

r1: IF (a, c, b, 0, 0) THEN (b, c, b, 0, 0)

r2: IF (b, c, b, 0, 0) THEN (c, c, c, 0, 0)

r3: IF (c ,c, c, 0, 0) THEN (c, c, c, 1, 0)

r5: IF (c, c, c, 1, 0) THEN (c, c, c, 1, 1)

在已知事实下，r1→r2→r3→r5,可得到香蕉

• 讨论及结论

谓词逻辑是一种接近于自然语言的形式语言，拥有通用的逻辑演算方法和推理的规则，且易于实现；

但其把推理演算与知识含义分开，推理过程太过冗长，效率过低，且不便于表达。

• 测试代码截图

   

• 代码运行结果

 

实验二

• 基于Mindspore框架的模型本地训练及预测

1. mindspore安装成功截图

图1Mindspore安装成功截图。

这里我在ubuntu20.04安装python3.8，CPU版本的环境，运行命令python -c "import mindspore;mindspore.run_check()"

结果显示安装成功

1. train.py的配置

图2train.py脚本

这里我选择的训练方式是CPU

（3）eval.py的配置

图3.eval.py

其中权重文件的路径为

/home/shadowofflame/桌面/人工智能/实验二所需文件/lenet/ckpt/checkpoint_lenet-9_1875.ckpt

1. train.py运行截图

图4.train.py运行截图

命令

python3 train.py

1. eval.py执行过程

 

图5.eval.py运行截图

命令

python3 eval.py

• 基于Modelarts平台和Tensorflow框架的模型训练及部署

1. 创建的OBS桶以及放入其中的文件

图6.我创建的筒shadowofflame

图7.mnist-tensorflow-code

图8.mnist-model

图9.mnist-model

1. 创建的算法

图10.创建的算法

图11.具体结构

1. AI部署

图12.AI部署

图13.具体部署

1. 在线服务

图14.在线服务

实验一

• 背景简介/问题描述

实验内容：

参照课程第二部分讲授的知识表示方法完成，包括产生式系统、框架系统、语义网络等（还可以选择其他方法）解决以下问题（不限于此），必要时上网查找有关参考文献。

猴子摘香蕉问题：

一个房间里，天花板上挂有一串香蕉，有一只猴子可在房间里任意活动（到处走动，推移箱子，攀登箱子等）。设房间里还有一只可被猴子移动的箱子，且猴子登上箱子时才能摘到香蕉，问猴子在某一状态下（设猴子位置为A，香蕉位置在B，箱子位置为C），如何行动可摘取到香蕉。

• 算法实现

3.1谓词表示法

1. 定义描述状态谓词：

SITE(x, y): x在y 处；

HANG(w,y):w悬挂在y处；

ON (z): z站在箱子上；

HOLDS(z): z手里拿着香蕉

变元的个体域:

x的个体域是{Monkey, Box}；

y的个体域是{a, b, c}；

z的个体域是{Monkey}；

w的个体域是{Banana}

问题的初始状态：

问题的目标状态：

1. 定义四个操作：

Goto(u,v): 猴子从 u 走到 v 处。

条件：

动作：删除表；添加表

Pushbox(v,w):猴子推着箱子从v 走到w 处。

条件  ：

动作：删除表；

添加表

Climbbox: 猴子爬上箱子。

条件：

动作：删除表；添加表

Grasp: 猴子摘到香蕉。

条件：

动作：删除表；

添加表

1. 猴子摘香蕉求解过程：

                -Goto(u,v)->

-Pushbox(v,w)->-Climbbox->

-Grasp->

3.2产生式表示法：

1. 综合数据库：

(M, B, Box, On, H)

M:猴子的位置                 B：香蕉的位置

Box:箱子的位置               On=0:猴子在地板上

On=1:猴子在箱子上           H=0:猴子没有抓到香蕉

H=1:猴子抓到了香蕉

1. 初始状态：(a,c,b,0,0)
2. 结束状态：(c,c,c,1,1)
3. 规则集：

r1: IF (x, y, z, 0, 0) THEN (w, y, z, 0, 0)

r2: IF (x, y, x, 0, 0) THEN (z, y, z, 0, 0)

r3: IF (x, y, x, 0, 0) THEN (x, y, x, 1, 0)

r4: IF (x, y, x, 1, 0) THEN (x, y, x, 0, 0)

r5: IF (x, x, x, 1, 0) THEN (x, x, x, 1, 1)

其中， x, y, z, w 为变量。

1. 根据猴子摘香蕉这一具体问题可将规则具体为：

r1: IF (a, c, b, 0, 0) THEN (b, c, b, 0, 0)

r2: IF (b, c, b, 0, 0) THEN (c, c, c, 0, 0)

r3: IF (c ,c, c, 0, 0) THEN (c, c, c, 1, 0)

r5: IF (c, c, c, 1, 0) THEN (c, c, c, 1, 1)

在已知事实下，r1→r2→r3→r5,可得到香蕉

• 讨论及结论

谓词逻辑是一种接近于自然语言的形式语言，拥有通用的逻辑演算方法和推理的规则，且易于实现；

但其把推理演算与知识含义分开，推理过程太过冗长，效率过低，且不便于表达。

• 测试代码截图

   

• 代码运行结果

 

实验二

• 基于Mindspore框架的模型本地训练及预测

1. mindspore安装成功截图

图1Mindspore安装成功截图。

这里我在ubuntu20.04安装python3.8，CPU版本的环境，运行命令python -c "import mindspore;mindspore.run_check()"

结果显示安装成功

1. train.py的配置

图2train.py脚本

这里我选择的训练方式是CPU

（3）eval.py的配置

图3.eval.py

其中权重文件的路径为

/home/shadowofflame/桌面/人工智能/实验二所需文件/lenet/ckpt/checkpoint_lenet-9_1875.ckpt

1. train.py运行截图

图4.train.py运行截图

命令

python3 train.py

1. eval.py执行过程

 

图5.eval.py运行截图

命令

python3 eval.py

• 基于Modelarts平台和Tensorflow框架的模型训练及部署

1. 创建的OBS桶以及放入其中的文件

图6.我创建的筒shadowofflame

图7.mnist-tensorflow-code

图8.mnist-model

图9.mnist-model

1. 创建的算法

图10.创建的算法

图11.具体结构

1. AI部署

图12.AI部署

图13.具体部署

1. 在线服务

图14.在线服务

图15.运行结果

图16.运行中的作业

参考文献

图15.运行结果

图16.运行中的作业

参考文献