2021北京高考語文實用類文本試題

（2021北京卷，1-5）閱讀下面材料，完成下面小題。材料一機(jī)器學(xué)習(xí)是一種人工智能技術(shù)，它通過設(shè)計算法，讓計算機(jī)可以從有限的觀測數(shù)據(jù)中分析并獲取規(guī)律，然后利用“學(xué)習(xí)”到的規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測，從而幫助人們完成應(yīng)用任務(wù)。運用機(jī)器學(xué)習(xí)解決應(yīng)用問題，一般包含如下幾步：首先是對觀測數(shù)據(jù)作預(yù)處理，然后是從觀測數(shù)據(jù)中提取有效特征并對特征進(jìn)行轉(zhuǎn)換，最后是構(gòu)建函數(shù)并利用它進(jìn)行預(yù)測。傳統(tǒng)的機(jī)器學(xué)習(xí)主要關(guān)注預(yù)測函數(shù)的構(gòu)建，至于特征，則一般是通過人為地設(shè)計一些準(zhǔn)則，然后根據(jù)這些準(zhǔn)則從觀測數(shù)據(jù)中獲得。對機(jī)器而言，這可看作是一種“淺層學(xué)習(xí)由于淺層學(xué)習(xí)有時不能很好地獲得有助于提升預(yù)測準(zhǔn)確率的特征，“深度學(xué)習(xí)”應(yīng)運而生。深度學(xué)習(xí)需要構(gòu)建具有一定“深度”的模型，讓機(jī)器自動從觀測數(shù)據(jù)中學(xué)習(xí)到有效的特征，幫助提升預(yù)測的準(zhǔn)確率。“深度”與數(shù)據(jù)處理過程的組件數(shù)量密切相關(guān)，深度模型的原始輸入與輸出結(jié)果之間有多個組件，每個組件都會對數(shù)據(jù)進(jìn)行加工，并影響后續(xù)組件。當(dāng)?shù)玫阶罱K的輸出結(jié)果時，我們并不清楚每個組件的貢獻(xiàn)是多少，判斷每個組件對輸出結(jié)果的影響稱為“貢獻(xiàn)度分配”問題。以下圍棋為例，每當(dāng)下完一盤棋，我們會思考哪幾步棋導(dǎo)致了最后的勝利或失敗，判斷每一步棋貢獻(xiàn)的多少就是貢獻(xiàn)度分配問題。該問題在深度學(xué)習(xí)中至關(guān)重要，解決起來也非常困難。目前，深度學(xué)習(xí)大多采用“人工神經(jīng)網(wǎng)絡(luò)”來實現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)內(nèi)部包含多個層次，正好能滿足深度學(xué)習(xí)的“深度”需求。近年來，深度學(xué)習(xí)技術(shù)快速發(fā)展，其所使用的人工神經(jīng)網(wǎng)絡(luò)模型從早期的五至十層增加到目前的數(shù)百層，這極大提高了特征提取與轉(zhuǎn)換的能力，也使預(yù)測的準(zhǔn)確率隨之上升。深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于模式識別、自然語言處理等諸多領(lǐng)域并取得了重大突破。我們要想在方興未艾的科技革命中占有先機(jī)，牢固掌握以深度學(xué)習(xí)為代表的人工智能技術(shù)是必要條件。1.根據(jù)材料一，下列表述正確的一項是（）A.機(jī)器學(xué)習(xí)的最終目的是從數(shù)據(jù)中尋找到某種規(guī)律。B.機(jī)器學(xué)習(xí)從數(shù)據(jù)中學(xué)到的規(guī)律可以用函數(shù)來表示。C.機(jī)器學(xué)習(xí)完成特征提取與轉(zhuǎn)換后就可以進(jìn)行預(yù)測。D.淺層學(xué)習(xí)無需人工干預(yù)，完全依賴機(jī)器自主完成。A.可以更好地處理數(shù)據(jù)特征，更準(zhǔn)確地預(yù)測。B.數(shù)據(jù)處理過程中的組件數(shù)量會影響其深度。C.數(shù)據(jù)處理過程中影響最大的組件不難確定。D.是人工智能技術(shù)的代表，已有廣泛的應(yīng)用。材料二人腦神經(jīng)系統(tǒng)是一個非常復(fù)雜的組織，包含幾百億個神經(jīng)元。神經(jīng)元與神經(jīng)元之間沒有物理連接，它們通過突觸進(jìn)行互聯(lián)來傳遞信息。神經(jīng)元可被看作是只有興奮和抑制兩種狀態(tài)的細(xì)胞，突觸將一個神經(jīng)元的興奮狀態(tài)傳至另一個神經(jīng)元。突觸有強(qiáng)有弱，其強(qiáng)度可以通過學(xué)習(xí)或訓(xùn)練來不斷改變，具有一定的可塑性。一個神經(jīng)元的狀態(tài)是興奮還是抑制，取決于它從其他神經(jīng)元接收到的信號量以及突觸的強(qiáng)度。當(dāng)一個神經(jīng)元接收到的信號量總和超過了某個閾值，細(xì)胞體就會興奮，產(chǎn)生電脈沖，電脈沖通過突觸傳遞到其他神經(jīng)元?？梢哉J(rèn)為，在人腦神經(jīng)系統(tǒng)中，每個神經(jīng)元本身固然重要，但更重要的是神經(jīng)元如何組成網(wǎng)絡(luò)。受人腦的啟發(fā)，科學(xué)家構(gòu)建了一種在結(jié)構(gòu)、工作原理和功能上都模擬人腦神經(jīng)系統(tǒng)的計算模型，稱之為“人工神經(jīng)網(wǎng)絡(luò)”，簡稱“神經(jīng)網(wǎng)絡(luò)二在機(jī)器學(xué)習(xí)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)指由很多人工神經(jīng)元相互連接構(gòu)成的系統(tǒng)，這些人工神經(jīng)元一般被稱為節(jié)點，每個節(jié)點本質(zhì)上是一個函數(shù)。神經(jīng)網(wǎng)絡(luò)不同節(jié)點間的連接被賦予了不同的權(quán)重，每個權(quán)重表示一個節(jié)點對另一個節(jié)點影響的大小。每個節(jié)點的“興奮”或“抑制”，由來自其他節(jié)點的數(shù)據(jù)信息與節(jié)點間的連接權(quán)重綜合計算得到。深度學(xué)習(xí)利用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，可以對數(shù)據(jù)進(jìn)行更好的特征提取與特征轉(zhuǎn)換，從而得到預(yù)測準(zhǔn)確率更高的函數(shù)。除了神經(jīng)網(wǎng)絡(luò)模型，深度學(xué)習(xí)也可以采用“深度信念網(wǎng)絡(luò)”等其他類型的模型。但由于神經(jīng)網(wǎng)絡(luò)能借助相關(guān)算法較好地解決貢獻(xiàn)度分配問題，它成為了深度學(xué)習(xí)主要采用的模型。（以上兩則材料取材于邱錫鵬的相關(guān)著作）3.根據(jù)材料二，下列對人腦神經(jīng)系統(tǒng)的理解，不正確的一項是（）一個神經(jīng)元是興奮還是抑制的狀態(tài)不全由其自身決定。一個神經(jīng)元接收到其他神經(jīng)元的電脈沖以后就會興奮。C.人腦神經(jīng)系統(tǒng)中神經(jīng)元本身不如神經(jīng)元如何組網(wǎng)重要。D.人腦神經(jīng)系統(tǒng)啟發(fā)了深度學(xué)習(xí)中一種主要模型的構(gòu)建。A.人工神經(jīng)網(wǎng)絡(luò)在自然語言處理等諸多領(lǐng)域是無可替代的。B.深度學(xué)習(xí)進(jìn)行預(yù)測的能力與其模型的層次數(shù)量密切相關(guān)。C.溝通不同神經(jīng)元的突觸的強(qiáng)度不是恒定的，可以被改變。D.人工神經(jīng)網(wǎng)絡(luò)模型被深度學(xué)習(xí)采用有不止一方面的原因。5.根據(jù)以上兩則材料，說明深度學(xué)習(xí)“應(yīng)運而生”的原因，以及人工神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)中的作用。一、答案：LB2.C3.B.A.原因：淺層學(xué)習(xí)有時不能很好地獲取有助于提升預(yù)測準(zhǔn)確率的特征。作用：①人工神經(jīng)網(wǎng)絡(luò)可用來構(gòu)建深度學(xué)習(xí)的模型。②人工神經(jīng)網(wǎng)絡(luò)模型可提高特征提取與特征轉(zhuǎn)換的能力。③人工神經(jīng)網(wǎng)絡(luò)模型有助于解決貢獻(xiàn)度分配問題。④人工神經(jīng)網(wǎng)絡(luò)模型有助于提升預(yù)測準(zhǔn)確率。解析：1A“最終目的是從數(shù)據(jù)中尋找到某種規(guī)律”錯誤，根據(jù)材料一第一段可知，在找到規(guī)律后，還需要“利用‘學(xué)習(xí)'到的規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測二故而找到某種規(guī)律不是“最終目的”。C.“完成特征提取與轉(zhuǎn)換后就可以進(jìn)行預(yù)測”錯誤，根據(jù)材料一第一段“然后是從觀測數(shù)據(jù)中提取有效特征并對特征進(jìn)行轉(zhuǎn)換，最后是構(gòu)建函數(shù)并利用它進(jìn)行預(yù)測”可見，完成特征提取與轉(zhuǎn)換后，需要“構(gòu)建函數(shù)”，利用函數(shù)進(jìn)行預(yù)測。D.“淺層學(xué)習(xí)……完全依賴機(jī)器自主完成”錯誤，根據(jù)材料一第二段“一般是通過人為地設(shè)計一些準(zhǔn)則，然后根據(jù)這些準(zhǔn)則從觀測數(shù)據(jù)中獲得。對機(jī)器而言，這可看作是一種‘淺層學(xué)習(xí)可見，并非自主完成，還需要認(rèn)為地設(shè)計一些準(zhǔn)則。故選B。2c“數(shù)據(jù)處理過程中影響最大的組件不難確定”錯誤，根據(jù)材料一第三段“當(dāng)?shù)玫阶罱K的輸出結(jié)果時，我們并不清楚每個組件的貢獻(xiàn)是多少，判斷每個組件對輸出結(jié)果的影響稱為’貢獻(xiàn)度分配'問題……該問題在深度學(xué)習(xí)中至關(guān)重要，解決起來也非常困難”可見，這是很難確定的。故選C。3.B.“一個神經(jīng)元接收到其他神經(jīng)元的電脈沖以后就會興奮”錯誤，根據(jù)材料二第一段“一個神經(jīng)元的狀態(tài)是興奮還是抑制，取決于它從其他神經(jīng)元接收到的信號量以及突觸的強(qiáng)度。當(dāng)一個神經(jīng)元接收到的信號量總和超過了某個閾值，細(xì)胞體就會興奮，產(chǎn)生電脈沖”可見,并不是一旦接收到就會興奮，還必須超過信號量的某個閾值。故選B。.A?“人工神經(jīng)網(wǎng)絡(luò)在自然語言處理等諸多領(lǐng)域是無可替代的”錯誤，根據(jù)材料一“深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于模式識別、自然語言處理等諸多領(lǐng)域并取得了重大突破”可得出深度學(xué)習(xí)技術(shù)在自然語言處理等諸多領(lǐng)域有重大突破，再根據(jù)材料二“除了神經(jīng)網(wǎng)絡(luò)模型，深度學(xué)習(xí)也可以采用'深度信念網(wǎng)絡(luò)'等其他類型的模型。但由于神經(jīng)網(wǎng)絡(luò)能借助相關(guān)算法較好地解決貢獻(xiàn)度分配問題，它成為了深度學(xué)習(xí)主要采用的模型”可知，深度學(xué)習(xí)的模型除了人工神經(jīng)網(wǎng)絡(luò)模型，還有深度信念網(wǎng)絡(luò)等其他類型的模型，并不是“無可替代”。故選A。.根據(jù)材料一“由于淺層學(xué)習(xí)有時不能很好地獲得有