2025年P(guān)ython深度學(xué)習(xí)實(shí)戰(zhàn)試卷：神經(jīng)網(wǎng)絡(luò)構(gòu)建與訓(xùn)練考試時(shí)間：______分鐘總分：______分姓名：______一、編程題（共100分）題目一（40分）：圖像分類實(shí)戰(zhàn)假設(shè)你正在處理一個(gè)手寫數(shù)字識(shí)別任務(wù)，數(shù)據(jù)集已加載到變量`X_train`,`y_train`,`X_val`,`y_val`中。`X_train`和`X_val`分別是訓(xùn)練集和驗(yàn)證集的圖像數(shù)據(jù)，形狀為(60000,28,28)，像素值在0到1之間。`y_train`和`y_val`分別是訓(xùn)練集和驗(yàn)證集的標(biāo)簽，形狀為(60000,)，為0到9的整數(shù)。請(qǐng)使用PyTorch框架完成以下任務(wù)：1.數(shù)據(jù)預(yù)處理（10分）：將`X_train`和`X_val`數(shù)據(jù)從(N,28,28)形狀轉(zhuǎn)換為(N,784)形狀，并分別將其歸一化到[-1,1]區(qū)間。2.模型構(gòu)建（15分）：定義一個(gè)包含至少兩個(gè)隱藏層的全連接神經(jīng)網(wǎng)絡(luò)模型(MLP)。第一個(gè)隱藏層應(yīng)有128個(gè)神經(jīng)元，使用ReLU激活函數(shù)；第二個(gè)隱藏層應(yīng)有64個(gè)神經(jīng)元，使用ReLU激活函數(shù)。輸出層應(yīng)有10個(gè)神經(jīng)元，使用Softmax激活函數(shù)（或等效輸出邏輯）。你需要使用PyTorch的`nn.Module`類來定義此模型。3.訓(xùn)練配置（5分）：實(shí)例化你定義的模型。選擇合適的損失函數(shù)（用于多分類問題）和優(yōu)化器（如Adam），并設(shè)置初始學(xué)習(xí)率為0.001。4.模型訓(xùn)練（10分）：編寫一個(gè)簡單的訓(xùn)練循環(huán)，對(duì)模型進(jìn)行訓(xùn)練。至少進(jìn)行5個(gè)epochs。在每次epoch結(jié)束時(shí)，使用驗(yàn)證集數(shù)據(jù)評(píng)估模型性能（計(jì)算驗(yàn)證集準(zhǔn)確率），并打印出當(dāng)前epoch的訓(xùn)練損失和驗(yàn)證準(zhǔn)確率。題目二（60分）：文本情感分析實(shí)戰(zhàn)假設(shè)你正在處理一個(gè)電影評(píng)論情感分析任務(wù)，數(shù)據(jù)集已加載到變量`texts_train`,`y_train`,`texts_val`,`y_val`中。`texts_train`和`texts_val`分別是訓(xùn)練集和驗(yàn)證集的評(píng)論文本，`y_train`和`y_val`分別是訓(xùn)練集和驗(yàn)證集的標(biāo)簽（0表示負(fù)面，1表示正面），形狀分別為(25000,)。請(qǐng)使用TensorFlow/Keras框架完成以下任務(wù)：1.數(shù)據(jù)預(yù)處理（15分）：對(duì)文本數(shù)據(jù)進(jìn)行預(yù)處理。你需要實(shí)現(xiàn)或使用框架內(nèi)置的方法進(jìn)行分詞（Tokenization），并構(gòu)建詞匯表。將文本轉(zhuǎn)換為詞索引序列。設(shè)置適當(dāng)?shù)脑~匯表大?。ɡ?，考慮只包含最常見的5000個(gè)詞）。對(duì)序列進(jìn)行填充或截?cái)?，使其長度一致（例如，固定長度為100）。將處理后的文本數(shù)據(jù)轉(zhuǎn)換為適合模型輸入的格式（如Embedding層的輸入）。注意：你需要自己實(shí)現(xiàn)或清晰地描述數(shù)據(jù)預(yù)處理的主要步驟邏輯。2.模型構(gòu)建（20分）：定義一個(gè)基于Keras的情感分析模型。模型應(yīng)至少包含以下部分：*一個(gè)Embedding層，將詞索引映射到密集向量（例如，維度為32的向量）。*至少一個(gè)全局池化層（如GlobalAveragePooling1D）或一個(gè)簡單的卷積層+池化層組合。*至少一個(gè)全連接隱藏層，使用ReLU激活函數(shù)。*一個(gè)輸出層，使用Sigmoid激活函數(shù)，輸出一個(gè)介于0和1之間的概率值。你需要使用Keras的`Sequential`或`FunctionalAPI`來構(gòu)建此模型。3.模型編譯與訓(xùn)練（15分）：編譯你定義的模型。選擇合適的損失函數(shù)（用于二分類問題）和優(yōu)化器（如RMSprop或Adam），并設(shè)置初始學(xué)習(xí)率為0.001。使用訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，至少進(jìn)行5個(gè)epochs。在訓(xùn)練過程中，使用驗(yàn)證集數(shù)據(jù)監(jiān)控模型性能（計(jì)算驗(yàn)證集準(zhǔn)確率），并使用EarlyStopping回調(diào)函數(shù)來防止過擬合（設(shè)置patience值為3）。---試卷答案一、編程題（共100分）題目一（40分）：圖像分類實(shí)戰(zhàn)```pythonimporttorchimporttorch.nnasnnimporttorch.optimasoptimfromtorch.utils.dataimportTensorDataset,DataLoader#假設(shè)數(shù)據(jù)已加載#X_train,y_train,X_val,y_val#1.數(shù)據(jù)預(yù)處理（10分）#轉(zhuǎn)換形狀X_train_reshaped=X_train.view(X_train.shape[0],-1)X_val_reshaped=X_val.view(X_val.shape[0],-1)#歸一化到[-1,1]X_train_normalized=2*X_train_reshaped-1X_val_normalized=2*X_val_reshaped-1#創(chuàng)建TensorDataset和DataLoadertrain_dataset=TensorDataset(torch.tensor(X_train_normalized,dtype=torch.float32),torch.tensor(y_train,dtype=torch.long))val_dataset=TensorDataset(torch.tensor(X_val_normalized,dtype=torch.float32),torch.tensor(y_val,dtype=torch.long))batch_size=64train_loader=DataLoader(train_dataset,batch_size=batch_size,shuffle=True)val_loader=DataLoader(val_dataset,batch_size=batch_size,shuffle=False)#2.模型構(gòu)建（15分）classMLP(nn.Module):def__init__(self):super(MLP,self).__init__()self.fc1=nn.Linear(784,128)self.relu1=nn.ReLU()self.fc2=nn.Linear(128,64)self.relu2=nn.ReLU()self.fc3=nn.Linear(64,10)#self.softmax=nn.Softmax(dim=1)#通常放在最后一起計(jì)算或使用損失函數(shù)處理defforward(self,x):x=self.fc1(x)x=self.relu1(x)x=self.fc2(x)x=self.relu2(x)x=self.fc3(x)#returnself.softmax(x)#如果使用NLLLoss，需要返回原始logitsreturnx#PyTorchCrossEntropyLoss內(nèi)部處理log_softmaxmodel=MLP()#3.訓(xùn)練配置（5分）criterion=nn.CrossEntropyLoss()#多分類交叉熵?fù)p失optimizer=optim.Adam(model.parameters(),lr=0.001)#4.模型訓(xùn)練（10分）epochs=5forepochinrange(epochs):model.train()running_loss=0.0forinputs,labelsintrain_loader:optimizer.zero_grad()outputs=model(inputs)loss=criterion(outputs,labels)loss.backward()optimizer.step()running_loss+=loss.item()*inputs.size(0)train_loss=running_loss/len(train_dataset)#驗(yàn)證model.eval()val_correct=0val_total=0withtorch.no_grad():forinputs,labelsinval_loader:outputs=model(inputs)_,predicted=torch.max(outputs.data,1)val_total+=labels.size(0)val_correct+=(predicted==labels).sum().item()val_accuracy=val_correct/val_totalprint(f'Epoch{epoch+1}/{epochs},TrainLoss:{train_loss:.4f},ValAccuracy:{val_accuracy:.4f}')```題目二（60分）：文本情感分析實(shí)戰(zhàn)```pythonimportnumpyasnpfromtensorflowimportkerasfromtensorflow.kerasimportlayersfromtensorflow.keras.preprocessing.textimportTokenizerfromtensorflow.keras.preprocessing.sequenceimportpad_sequencesfromtensorflow.keras.callbacksimportEarlyStopping#假設(shè)數(shù)據(jù)已加載#texts_train,y_train,texts_val,y_val#1.數(shù)據(jù)預(yù)處理（15分）#參數(shù)設(shè)置max_words=5000max_len=100#分詞tokenizer=Tokenizer(num_words=max_words)tokenizer.fit_on_texts(texts_train)#轉(zhuǎn)換為序列X_train_seq=tokenizer.texts_to_sequences(texts_train)X_val_seq=tokenizer.texts_to_sequences(texts_val)#填充/截?cái)郮_train_pad=pad_sequences(X_train_seq,maxlen=max_len)X_val_pad=pad_sequences(X_val_seq,maxlen=max_len)#2.模型構(gòu)建（20分）model=keras.Sequential([layers.Embedding(input_dim=max_words,output_dim=32,input_length=max_len),layers.GlobalAveragePooling1D(),#layers.Conv1D(64,7,activation='relu'),#layers.MaxPooling1D(5),#layers.Conv1D(32,7,activation='relu'),#layers.GlobalMaxPooling1D(),layers.Dense(64,activation='relu'),layers.Dense(1,activation='sigmoid')])model.summary()#3.模型編譯與訓(xùn)練（15分）pile(optimizer='adam',lo