更新 260421-2509165039.py

260421-2509165039.py

@@ -1,72 +1,72 @@
-# 题目1 在Python中，用两种方式表示"Hello":
-# 1.用 ord() 函数打印每个字符的ASCII码
-text = "Hello"
-for char in text:
-    print(f"'{char}'的ASCII码是:{ord(char)}")
-
-# 2.用 chr() 函数验证：字符65对应的是大写字母A
-char_65 = chr(65)
-print(f"ASCII码65对应的字符是:{char_65}")
-print(f"验证结果:{char_65 == 'A'}")
-
-
-
-# 题目2
-# 图像矩阵：图像的语义(如“猫”“车”)可通过像素的空间关系
-# (如边缘、纹理)用数学模型(如卷积神经网络)提取，计算
-# 机能通过模式识别自动学习这些特征。
-# 文本数据：文本的语义是上下文依赖的(如“苹果”可指水果或
-# 公司)，且存在歧义(如“bank”可指银行或河岸)、隐喻(如
-# “时间就是金钱”)等复杂现象。计算机难以像人类一样理解这
-# 些抽象语义，需借助复杂的自然语言处理(NLP)技术(如词向
-# 量、Transformer)模拟，但仍存在局限。
-
-
-
-# 题目3
-# 1.计算 A + B 的结果:
-A = [3,4]
-B = [1,2]
-A_plus_B = [a + b for a,b in zip(A,B)]
-print(f"A + B = {A_plus_B}")
-
-# 2.计算 2 * A 的结果:
-scalar = 2
-two_A = [scalar * a for a in A]
-print(f"2 * A = {two_A}")
-
-# 3.计算 A 的长度(模):
-import math
-A_magnitutude = math.sqrt(sum(a**2 for a in A))
-print(f"A的长度(模)是:{A_magnitutude}")
-
-
-
-# 题目4
-# 1.计算它们的点积 A * B:
-A = [1,2,3]
-B = [4,5,6]
-dot_product = sum(a * b for a,b in zip(A,B))
-print(f"A * B ={dot_product}")
-
-# 2.计算它们的余弦相似度:
-import math
-A = [1,2,3]
-B = [4,5,6]
-dot_product = sum(a * b for a,b in zip(A,B))
-norm_A = math.sqrt(sum(a**2 for a in A))
-norm_B = math.sqrt(sum(b**2 for b in B))
-cosine_similarity = dot_product / (norm_A * norm_B)
-print(f"A和B的余弦相似度是:{cosine_similarity:.4f}")
-
-# 3.如果 A = [1, 0]，B = [0, 1]，它们的余弦相似度是多少？为什么？
-# A \cdot B = 1 \times 0 + 0 \times 1 = 0
-# \|A\| = \sqrt{1^2 + 0^2} = 1
-# \|B\| = \sqrt{0^2 + 1^2} = 1
-# \text{cosine similarity} = \frac{0}{1 \times 1} = 0
-
-# 原因:
-# 余弦相似度衡量的是两个向量方向的相似性(夹角余弦值)。
-# A = [1, 0]是x轴正方向的单位向量，B = [0, 1]是y轴正方向的单位向
-# 量，它们的夹角为90°(垂直)，而\cos(90°)= 0。因此，余弦相似度
+# 题目1 在Python中，用两种方式表示"Hello":
+# 1.用 ord() 函数打印每个字符的ASCII码
+text = "Hello"
+for char in text:
+    print(f"'{char}'的ASCII码是:{ord(char)}")
+
+# 2.用chr()函数验证:字符65对应的是大写字母A
+char_65 = chr(65)
+print(f"ASCII码65对应的字符是:{char_65}")
+print(f"验证结果:{char_65 == 'A'}")
+
+
+
+# 题目2
+# 图像矩阵：图像的语义(如“猫”“车”)可通过像素的空间关系
+# (如边缘、纹理)用数学模型(如卷积神经网络)提取，计算
+# 机能通过模式识别自动学习这些特征。
+# 文本数据：文本的语义是上下文依赖的(如“苹果”可指水果或
+# 公司)，且存在歧义(如“bank”可指银行或河岸)、隐喻(如
+# “时间就是金钱”)等复杂现象。计算机难以像人类一样理解这
+# 些抽象语义，需借助复杂的自然语言处理(NLP)技术(如词向
+# 量、Transformer)模拟，但仍存在局限。
+
+
+
+# 题目3
+# 1.计算 A + B 的结果:
+A = [3,4]
+B = [1,2]
+A_plus_B = [a + b for a,b in zip(A,B)]
+print(f"A + B = {A_plus_B}")
+
+# 2.计算 2 * A 的结果:
+scalar = 2
+two_A = [scalar * a for a in A]
+print(f"2 * A = {two_A}")
+
+# 3.计算 A 的长度(模):
+import math
+A_magnitutude = math.sqrt(sum(a**2 for a in A))
+print(f"A的长度(模)是:{A_magnitutude}")
+
+
+
+# 题目4
+# 1.计算它们的点积 A * B:
+A = [1,2,3]
+B = [4,5,6]
+dot_product = sum(a * b for a,b in zip(A,B))
+print(f"A * B ={dot_product}")
+
+# 2.计算它们的余弦相似度:
+import math
+A = [1,2,3]
+B = [4,5,6]
+dot_product = sum(a * b for a,b in zip(A,B))
+norm_A = math.sqrt(sum(a**2 for a in A))
+norm_B = math.sqrt(sum(b**2 for b in B))
+cosine_similarity = dot_product / (norm_A * norm_B)
+print(f"A和B的余弦相似度是:{cosine_similarity:.4f}")
+
+# 3.如果 A = [1, 0]，B = [0, 1]，它们的余弦相似度是多少？为什么？
+# A \cdot B = 1 \times 0 + 0 \times 1 = 0
+# \|A\| = \sqrt{1^2 + 0^2} = 1
+# \|B\| = \sqrt{0^2 + 1^2} = 1
+# \text{cosine similarity} = \frac{0}{1 \times 1} = 0
+
+# 原因:
+# 余弦相似度衡量的是两个向量方向的相似性(夹角余弦值)。
+# A = [1, 0]是x轴正方向的单位向量，B = [0, 1]是y轴正方向的单位向
+# 量，它们的夹角为90°(垂直)，而\cos(90°)= 0。因此，余弦相似度
 # 为0，说明它们方向完全无关。