图中画波浪线的地方，如果翻译成“在科学上某种程度自我加速”，会不会被扣分呢？

来源：蜘蛛抓取(WebSpider) 时间：2022-07-25 08:07 标签： cad怎样快速画波浪线

核心提示：阅读（4）参考答案 1、从下面选出合适的题目填入文前的横线上。（2分） ①竹 ②竹笋 ③竹林 ④竹器 2、把短文中两处括号里不恰当的词语划去。（2分） 划去“旺期 中期 干旱” 3、给“日”字只添一画写出不同的常用字，至少写出4个。这些字是： 申由 甲目旦旧


1、从下面选出合适的题目填入文前的横线上。（2分）

①竹 ②竹笋 ③竹林 ④竹器

2、把短文中两处括号里不恰当的词语划去。（2分）

划去“旺期 中期 干旱”

3、给“日”字只添一画写出不同的常用字，至少写出4个。这些字是：

申由 甲目旦旧（4分）

4、“藏”字用音序查字法应查字母Z，用部首查字法先查艹部，再查17画。（3分）

5、第二自然段的第一个句子是一个（ B ）。（2分）

A．疑问句 B．设问句 C．反问句

6、能读全文后，选择正确的序号填入下面的括号内。（3分）

（ ③ ）一夜之间能长一、二尺，（ ② ）不到一年能长成（ ① ）

①竹林 ②新竹 ③春笋

7、这篇短文介绍竹的用途的顺序是（ 竿）→（梢 ）→（ 叶 ）（3分）

8、本文主要写了竹（ B ），赞扬了竹（ D ）。（4分）

A．成材迅速 B．无私奉献 C．用途广泛 D．默默无闻


阅读（5）《漓江》参考答案

1、写出下列词语的反义词。（6分）

沉睡―（苏醒） 安静―（吵闹） 丰收―（减产）

2、读短文，补充词语。（6分）

色彩（ 斑斓 ） 颜色（ 各异 ） 热闹（ 非凡 ）

生机（ 勃勃 ） 美不（ 胜收 ） 丰硕（ 诱人 ）

3、在短文中选自己喜欢比喻句、拟人句子抄下来。（4分）

比喻句：漓江就像一条翠绿的带子，由远到近环绕着象鼻山、优波山

拟人句：春天，漓江岸边的树木又换上了新衣裳，小草也从沉睡中醒来，伸展着嫩绿的叶儿，在春风的吹拂下，正朝漓江笑呢！

4、短文的第1自然段与下文的关系是引出下文。（2分）

5、短文按季节变化顺序描写了漓江的景色。（2分）

6、漓江一年四季的景色各有特点，选用文中的词语写下来。（8分）

春天：生机勃勃 夏天：热闹非凡

秋天：丰硕诱人 冬天：清秀、隽美

7、读了这篇短文，你学到了什么？（或想到了什么？）（4分）

想到了漓江的春夏秋冬的各有特点，景色迷人


阅读（6）《一流风景胜地―漓江》参考答案

1. 给下面的字选择恰当的意思，在上面画“√”。（4分）

犹如：（1）如同√（2）还

陶醉：（1）喝酒过多神志不清。（2）沉迷，过分地爱好。√

2. 根据意思在文中找出相应的词语，填入括号。（4分）

（1）全世界一致认为。（ 举世公认 ）

（2）东西很多很好，眼睛来不及看，一时看不过来。（ 目不暇接 ）

3. 用“_____ ”画出描写水中倒影的语句。（3分）

那水里的山，比岸上的山更为清晰，而且因为水的流动，山也仿佛流动起来。山的姿态，也随着船的位

（竹之岚/编译）从曼努埃拉·维罗索（Manuela Veloso）位于布鲁克林一栋写字楼19层的办公室窗口向外望出，美景动人心魄——湛蓝的天空、纽约港和自由女神像。然而此刻，吸引我们目光的却是对面大楼毫无特色的窗玻璃。

从对面的窗户里，我们可以看到椅子、桌子、台灯和文件，但它们看起来有些不对劲；因为它们并不真的在那里。它们的实物实际上位于我们这一侧——很有可能就在我们所在的大楼。午后明丽的阳光照亮了玻璃，将窗户短暂地变成了镜子。于是，我们就看到了半空中被阳光照亮的办公用品，虚无飘渺，丝毫不受地心引力的束缚。

透过窗户看到的，究竟是倒影还是对面的实景？有时连人类都会弄错。图片来源：philipschwarzphotography

曼努埃拉·维罗索是卡内基·梅隆大学计算机科学和机器人技术专业的教授，我正在和她讨论机器如何感知和思考——一个比我预想的难解得多的话题。“机器人怎样才能发现这是倒影呢？”她示意窗玻璃上的光影，“诸如这样的事情，就是对机器来说困难的事情。”

近年来，人工智能已经以无情的速度攻克了很多难题。在过去几年中，一种以高效著称的人工智能——“神经网络”——已经在一些领域里赶上、甚至超越了人类，包括研发新药，挑选最佳工作候选人，甚至还有驾驶汽车。神经网络的构造模仿了人类大脑，现在，它（通常）已经能够辨别出文章的好坏，并且（通常）能以相当高的精度从图片中分辨出目标物体。神经网络的应用日益广泛，不仅在随处可见的日常领域中，比如谷歌的搜索引擎、亚马逊的推荐目录、脸书的好友动态和垃圾邮件的过滤，还有军事、金融、科研、比人类驾车更靠谱的自动驾驶等重要工作。

神经网络有时会犯一些人们可以理解的错误（的确，窗户里的桌子看起来非常真实；甚至连我也很难看出它们只是倒影），但另外一些难题，却会让它们给出让人难以理解的回答。神经网络的运作方式，是执行算法——关于如何完成任务的指令。算法当然是由人类写成的，但有时，神经网络会得出十分诡异的结果：不正确，但也不是人类能理解的那种错误。事实上，这些运行结果看起来简直像是外星生物的杰作。

比如Google的神经网络画的画……图片来源：

杰夫·克鲁（Jeff Clune）是怀俄明大学计算机科学系的助理教授。偶遇了几次神经网络的怪异行为后，他在最近开始了相关领域的研究。“我还不知道有谁能很好地理解为何会发生这样的事。”他说。

去年，在一篇名为《深度神经网络很好骗》1（Deep Neural Networks Are Easily Fooled）的文章中，克鲁与他的合著者，阮昂（Anh Nguyen）和杰森·约辛斯基（Jason Yosinski）宣布他们制造出了一个用于识别物体的成功的系统，而该系统.au

神经网络比大脑简单多了。但随着近年来计算机处理能力的提高，提供样本的大数据集越来越容易获得，现在的神经网络也能实现类似的成果。它们的层级化处理方式能从海量数据中识别出模式，运用这些模式，将“猎豹”或“海星”这样的标签同相应的图片联系起来。

机器并没有几亿年的演化时间教它辨别色彩、轮廓和形状等特征。与人类不同，神经网络是在人类程序员的“训练”下实现这一能力的。举个例子，程序员可以在神经网络中输入大量潦草的笔迹，告诉它这些笔迹分别都是哪个英文字母；算法会对它们进行识别，认错的会被纠正，直到训练数据中的所有字母都被正确分类。用上千个人类认为是字母d的样本训练过后，神经网络很快就能设计出一套判断某个字母是不是d的规则。这是神经网络的架构中最为吸引人的特点之一：计算机科学家不需要穷举出正确定义d的所有规则，就能设计出一套字迹识别机制。而且他们也不需要向计算机演示宇宙中所有的d：仅仅需要所有d的一个小小的子集——也就是计算机训练过的那些d——神经网络就可以自学成才，并在未来遇到任何一个d时立刻将其识别出来。

这个体系的缺陷是，当机器将电视机的雪花屏判定为猎豹时，计算机科学家的手里并没有机器将它认成“猎豹”时所用的判断标准的清单，好让他们可以据此搜寻出系统判断失灵的原因。神经系统并不在执行一套人类创建的指令，也没有在一个包含了所有可能的猎豹的完整资料库里搜索过。它只是在对接收到的信息作出反应。创造出神经网络的算法只在广义上对如何处理信息进行指导，而非解决个别问题的详细指示。换句话说，神经网络的算法并非精确的菜谱——拿到原料，做这个，等原料软了再做那个；它们更像是在餐厅里点菜：“我要一份烤奶酪三明治和一份沙拉，谢谢。至于该如何制作，你请便。”巴罗卡斯解释道，“如何探测数据得到结果，如何发现关系，这些都是计算机用自己创造的规则做到的。”

人们现在还无法找到计算机创造的规则是什么。在一个典型的神经网络中，人们能轻松辨认的层级只有输入层，即数据进入系统的层面；和输出层，即将其他层级处理的结果报道给人类世界的层面。在这两个层级间，在那些看不见的层级中，虚拟神经元处理信息，并通过在彼此间形成连接来共享工作结果。和人类的大脑一样，神经元操作的数量实在太过庞大，使得指出每个神经元对最终结果有何贡献成了不可能的任务。“就算你知道一个60亿人口的经济体中每一个人的所有情况，你也不能预测接下来会发生什么，甚至无法解释过去的事情为何发生，”克鲁说道，“这种复杂性是‘涌现’的，来自数百万个部分间复杂的相互作用，而我们人类还不知道要怎么理解这些。”

不光如此，许多信息处理发生在神经元间瞬息万变的连接中，并不仅仅局限在单个神经元。所以，就算计算机科学家能够确定在某一时间点上、网络中的每一个神经元正在做什么，他们也依然无法说出整个系统是如何运行的。举例来说，知道某一层的一部分神经元会被一张脸的轮廓激活，并不足以让你明白这些神经元在判断这张脸属于谁时扮演着怎样的角色。

这就是为什么，正如克鲁和他的同事所说：“神经网络长久以来都被称为‘黑箱’”，“因为要理解某个具体的、经过训练的神经网络究竟如何工作非常困难；有太多相互作用着的、非线性的部分了。”5

克鲁将试图解释神经网络的计算机科学家与试图领悟全球经济的经济学家做比：“我们面临的问题相当棘手，而且难以理解，”他说，“但是，你不能对每一件事都了如指掌，并不意味着你什么都没法理解。”关于神经网络内部的运行方式，他说，“我们正开始慢慢地理解它们，我们可能已经达到了艾伦·格林斯潘那样的理解程度，但我们还没能达到物理学家水平的理解。”

用神经网络分析图片，不同层级的关注点截然不同，层级越高特征越复杂，甚至会产生过度解读。图片来源：googleresearch.blogspot

Tyka）组成的谷歌研究团队开发出了一种方法，能让图片识别网络显示出它的某个特定层级的工作内容。“我们向这个网络输入任意图片或照片，并让该网络对图像进行分析，”三位研究者写道，“然后我们选择一个层级，并让网络对在这一层级探测到的任何东西进行加强。”6他们得到的结果是一组惊人的图片，外形随被指定层级的关注点的改变而不断变换（这就是网络上著名的“”）。 “举例来说，”这支团队写道，“低层次的层级倾向于产出粗线条、或者简单的装饰图案般的样式，因为这些层级对边缘和方向这类简单特征比较敏感。”

在这之后不久，克鲁、阮昂、约辛斯、加州理工学院的托马斯·福克斯（Thomas Fuchs）和康奈尔大学的霍德·利普森（Hod Lipson）发表了另一种方法，这种方法可以显示出活跃的神经网络中一个层级的某个部分、甚至单个的神经元正在做什么。当人们向它输入具体图片后，他们的软件可以追踪到神经网络中各个层级上正在发生的事。用户可以在物体或图片边上看到做出反应的神经元的实时地图。“你可以看到一个具体的节点会对什么作出反应，”克鲁解释道，“我们正开始着手向黑箱中照进一点光线，来理解里面正在发生的事。”

正当研究者们奋力钻研为何用于锤炼算法的大量数据集仍无法反映出他们期待的现实时，另一些人则想到，这些仿佛是由算法们臆想出的奇怪规则或许揭示出了现实的一些层面——我们凭自身的感官无法察觉到的层面。

毕竟，克鲁说，对于人类和蜜蜂来说，一朵花看起来都很美，然而这并不意味这两种生物看到的是相同的东西。“当我们在传粉者能够看到的光谱下观察花朵时，看到的图案是完全不同的，”他这样说道。虽然在蜜蜂眼里，人类对色彩的感知大概十分古怪，反之亦然，但二者的感知都不是错觉。或许神经网络认知的奇怪之处可以教会我们一些东西，或许甚至让我们愉悦。

在克鲁及其同事的工作中，有这么一些由算法识别出的图片，它们和那些被机器当成猎豹的雪花屏不同；相反，这些图片与算法对它们的归类的确有某些联系。举例来说，神经网络认为左图是监狱，而右图则是草莓。

神经网络眼中的“监狱”和“草莓”。图片来源：nautilus

人们并不会做出相同的分类。但如果事先告诉人们告知机器的结论，人们也能看出图片和命名间的联系。与将雪花屏判断成猎豹那样的错判不同，这种机器判断可以引导人们以新的方式看待草莓，或者以不同的方式思考“草莓”这个分类到底意味着什么。

对研究者们来说，这听起来很像是一种艺术。因此，他们将一些图片提交给了怀俄明大学艺术博物馆为一场展出举办的比赛。35%的投稿作品被评委接受并展出了，算法的作品也是其中之一，之后还在博物馆获了奖。评委们在展出几周后才知道这位艺术家并非人类。“我们向一项有评审的艺术竞赛提交了作品，比赛不需要提交与作品有关的任何信息，”克鲁说，“但一段时间后我们给他们发了一封邮件， ‘哦，顺带一提，事情是这样的……’”

因而，说人工智能研究员是乐观主义者显然是公平的；但与此同时，他们也是一群觉得计算机写诗或计算机编舞的前景可喜可贺的人。就算算法编出的是人类无法做到的舞蹈动作，克鲁说，“我们仍然能够欣赏机器人翩翩起舞。”此时此刻，我们所能确定的是，人类目前还不能完全理解算法的幻想性视错觉，但已经越发依赖算法执行的过程。

 “这些问题并没有对错分明的答案，但无疑十分引人入胜，”克鲁说，“这简直就像当代神经科学一样。我们对这些‘大脑’进行研究，以期待能够反解出它们工作的原理。”

无论如何，对机器“头脑”更深入理解的需求不仅来自研究者们对神经网络的困惑。理解神经网络，对于整个人工智能界，以及以此为基础运行的社会来说，都是一项挑战。（编辑：Ent）

我要回帖

更多关于 cad怎样快速画波浪线 的文章

 

随机推荐