72 lines
2.3 KiB
Python
72 lines
2.3 KiB
Python
# 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。 |