ARTICLE · 1080003
《人工智能通识》习题解答(第4章)
发布时间：2026-09-26 10:35:48 最近访问：2026-09-26 10:35:16
《人工智能通识》习题解答(第4章)
1. 深度学习的核心内涵，并说明深度学习与机器学习的根本区别。
深度学习在技术上指使用多层神经网络进行学习的算法，它模仿人脑神经元的连接方式，通过输入层、多个隐藏层和输出层的结构，从原始数据中自动学习多层次、高抽象度的特征，从而完成图像识别、语音处理、自然语言理解等复杂任务。（1）特征提取方式：传统机器学习需要人工设计特征，例如识别猫要先人工定义耳朵、胡须等特征；深度学习则通过神经网络自动从数据中学习特征，无需人工干预。（2）数据需求：深度学习需要海量标注数据才能发挥性能，数据量小时表现反而不如传统算法；传统机器学习在中小规模数据上也能有不错表现。（3）模型复杂度与算力：深度学习模型结构深、参数多，通常需要GPU等高性能硬件训练，训练时间从数小时到数周不等；传统机器学习模型较简单，普通CPU即可运行。（4）可解释性：传统机器学习模型（如决策树）相对容易解释，决策过程可追溯；深度学习模型因层级复杂，常被视为“黑箱”，难以解释决策依据。2. 神经网络有哪些主要类型？分别列出一种典型的神经网络，并说明其主要功能。
按照连接方式的不同，神经网络主要分为前向网络、反馈网络和自组织网络三大类。
（1）前向网络：信息单向传递，从输入层经隐藏层到输出层，无反馈连接，结构简单，训练相对容易。主要功能：通过卷积层、池化层和全连接层自动提取图像等网格数据的局部特征，广泛应用于图像识别、目标检测等视觉任务。（2）反馈网络：存在反馈连接，具有记忆性，能处理动态序列问题，需要工作一段时间才能达到稳定状态。主要功能：通过隐藏状态在时间维度上传递信息，捕捉序列数据中的时序依赖关系，常用于自然语言处理、语音识别和时间序列预测。（3）自组织网络：无监督学习，能自动提取数据特征，形成拓扑特征图，实现非线性映射。典型网络：自组织映射（SOM，也称Kohonen网络）主要功能：实现对输入特征向量的聚类，在此基础上完成函数逼近、分类及模式识别等映射。3. 画出一个三层的前向神经网络，并说明神经网络各个组成部分的功能。
三层的前向神经网络结构如下图：
（1）输入层：接收原始数据（如图像像素、文本向量），神经元数量等于输入特征维度。
（2）隐藏层：对输入进行加权求和与非线性变换，提取数据特征。层数和每层神经元数量可自定义。（3）输出层：生成最终预测结果，神经元数量由任务决定（如分类任务对应类别数）。4. 设有一个三层的前向神经网络，其结构为2-2-1形式，计算神经网络的各层输出。
5. 自监督学习如何构造监督信号？以“图像拼图任务”为例，说明自监督学习的工作过程。
自监督学习(Self-Supervised Learning)的核心思路是不靠人工标注，而是从数据本身“造”出监督信号。
自监督学习的具体做法是：设计一个辅助任务（也叫前置任务），把数据的一部分结构隐藏或打乱，让模型去预测被隐藏或打乱的部分，预测目标就是自动生成的“伪标签”。
以“图像拼图任务”为例，自监督学习的工作过程如下：（1）构造任务：把一张完整图像切成若干小块（比如 3×3 或 4×4），然后随机打乱顺序。（2）生成伪标签：每个小块原本的正确位置就是监督信号，完全由打乱过程自动生成，不需要任何人标注。（3）训练模型：输入打乱后的图像块，让模型预测每个小块应该放在哪个位置，通过还原拼图来学习图像特征。6. AI模型轻量化是指什么？AI模型轻量化的方法包括哪些？举出一个AI模型轻量化的实际例子。
AI模型轻量化，简单说就是在尽量不损失AI模型效果的前提下，把模型“压缩”和“瘦身”，让它体积更小、跑得更快、更省算力，从而能装进手机、摄像头、汽车这些算力有限的设备里。
AI模型轻量化的方法包括：模型量化、知识蒸馏、模型剪枝、轻量化架构设计。
AI模型轻量化的例子：车载智能语音助手。
以前的车载大模型参数大，会导致车机内存占用高、响应慢、还费电。现在主流做法是用轻量化小模型，配合“端云协同”——简单的语音指令（比如“打开车窗”、“调高空调温度”）由车机本地的小模型1秒内搞定，复杂的任务才交给云端来处理。
欢迎访问本公众号的系列文章！
原创声明：本文中的各种计算数据，全部由本人亲自计算而得，完全自主原创，非引用他人数据。
