人工智能基础期末考试

操作题部分：（把代码及结果截图到题目下方，截图要嵌入学号姓名）

注：题目中有“你的学号”，“你的姓名”的，要用你自已的信息去替换

1. 有列表[1,2,3,4,5,6,你的学号]，编程输出2，3，4，5；并倒序输出列表。（5分）

1. 有列表[1,2,A,B,2.6]，编程实现在2后插入 “你的姓名”,并把B删除后输出列表。（5分）

1. 有字典：d1 = {‘张三’: 85, ‘李四’:95, ‘王五’: 74, ‘你的姓名’: 87}，编程求出自已的成绩。（5分）

4、在同一坐标内画出正、余弦函数的图像。（15分）

5、导入“成绩表”，求出每个同学的“总分”，“平均分”，

并依据平均分给出等级：平均分大于等于80分的为“优秀”，在[70,80)之间为“良好”，70分以下为“一般”，共20分。

注：成绩表另发，并插入你自已的一条记录，主要代码复制，结果截图并嵌入学号+姓名

如果图示例：

                       import pandas as pd#导入pandas库

names=['政治','skewness','curtosis','entropy','class']

fm=pd.read_excel(r"C:\Users\阿师\Desktop\人工智能基础期末试卷---物联网工程\成绩表.xls",sheet_name="Sheet1")#用该方法读取表格和表单里的单元格的数据

fm.head()

6、TensorFlow2.x语法题：（代码复制，结果截图并嵌入学号姓名）共15分

已知矩阵A、B，用TensorFlow2求出两矩阵的和、差与乘积：

tf.executing_eagerly()

A=tf.constant([[1,2],[3,4]])

B=tf.constant([[5,6],[7,8]])#转成深度学习框架的数组

D=tf.add(A,B)

E= tf.subtract(A,B)

C=tf.matmul(A,B)#矩阵相乘

print(D)

print(E)

print(C)

7、机器学习预测题:（代码复制，结果截图并嵌入学号+姓名），共15分。

假如：

输入数据:   0，2，4，7，16，22

相对应输出: 4，5，6，7.6，12，15.2

问题：如果输入40，则输出值大约是多少

import numpy as np

X = np.array([0,2,4,7,16,22],dtype = float)

y = np.array([4,5,6,7.6,12,15.2],dtype = float)

#设置训练数据 x:输入 y:输出

import tensorflow as tf

layer = tf.keras.layers.Dense(units = 1,input_shape = [1]) #units 神经元1个，输入形状1维

model = tf.keras.Sequential([layer])

#创建一个密集层——Dense()

#将层整合到模型中——Sequential()

#units:神经元个数

#input_shape:该层的输入

#loss损失函数，这边用均方误差=mean_squared_error

#optimizer优化器，这里用adam, 0. 1表示学习率

model.compile(loss = 'mean_squared_error',

 optimizer = tf.keras.optimizers.Adam(0.1)

 #Adam(0.1)表示学习率0.1（一般取0.001-0.1)

              #Adam优化算法。适应型矩估计

 )

history = model.fit(X,y, epochs = 50, verbose = 1)

#训练模型。epochs：训练周期——样本进行一次完成的迭代

print(model.predict([40]))

8、自行画出0,1,4的图片，网上查找CNN手写数字识别程序，并识别给出的图片数字（20分）

代码复制，结果截图

from PIL import Image

import numpy as np

import tensorflow as tf

model_save_path = 'D:/checkpoint/mnist.ckpt'

model = tf.keras.models.Sequential([

    tf.keras.layers.Flatten(),

    tf.keras.layers.Dense(128, activation='relu'),

    tf.keras.layers.Dense(10, activation='softmax')])

   

model.load_weights(model_save_path)

preNum = int(input("input the number of test pictures:"))

for i in range(preNum):

    image_path = input("the path of test picture:")

    img = Image.open(image_path)

    img = img.resize((28, 28), Image.ANTIALIAS)

    img_arr = np.array(img.convert('L'))

   

 

    for i in range(28):

        for j in range(28):

            if img_arr[i][j] < 200:

                img_arr[i][j] = 255

            else:

                img_arr[i][j] = 0

               

    img_arr = img_arr / 255.0

    print("img_arr:",img_arr.shape)

    x_predict = img_arr[tf.newaxis, ...]

    print("x_predict:",x_predict.shape)

    result = model.predict(x_predict)

   

    pred = tf.argmax(result, axis=1)

   

    print('\n')

    tf.print(pred)