import numpy as np= np.array ([[1,2], [3,4]])print (a.sum (axis=0))

简答题

简述卷积神经网络中池化层的作用，并说明最大池化和平均池化的区别。

作用：降维、减少计算量、防过拟合、保持特征不变性。

最大池化：取局部最大值，保留关键特征（如边缘），用于目标检测。

平均池化：取局部均值，保留整体特征，用于图像生成。

解释监督学习与无监督学习的核心区别，并各举一个算法实例。

监督学习：有标签，学输入 - 输出映射，如逻辑回归（垃圾邮件分类）。

无监督学习：无标签，学数据内在结构，如 K-means（用户聚类）。

简述反向传播算法的基本原理及其在深度学习中的重要性。

原理：前向算损失，反向用链式法则求梯度，迭代更新参数。

重要性：实现深层网络端到端优化，是神经网络训练核心。

解释深度学习中 “梯度下降” 算法的作用及其在模型训练中的意义。

作用：沿梯度反方向更新参数，找损失函数最小值。

意义：是模型优化基石，支持 CNN/RNN 等收敛，适配大规模数据。

简述 CNN 在计算机视觉中的典型应用场景，并举例说明。

目标检测：YOLO 检测图像中车辆位置。

图像分割：U-Net 分割医学影像肿瘤区域。

OCR：CRNN 识别身份证文字。

人脸识别：FaceNet 用于门禁认证。

一、

（含图）

分析此段代码的功能及流程

功能：用随机森林做分类任务，验证模型准确率。

流程：

导入库（numpy 生成数据，sklearn 做数据划分、建模、评估）。

造模拟数据：X（100 样本 ×10 特征）、y（0/1 标签）。

train_test_split 拆分 8:2 训练 / 测试集。

用训练集训 RandomForestClassifier，测试集预测，算准确率。