教师用答案

Q1. 两个输入（1, 0）、权重（0.8, −0.5）、阈值 0.5 的感知机，输出是多少？

答案 · 总和 = 1×0.8 + 0×(−0.5) = 0.8。因为 0.8 ≥ 0.5，所以输出 1。

配分 20 分 · 评分：计算过程 10 分，结果 10 分

Q2. 感知机为什么解决不了“带状”（只有中间是食物）问题？

答案 · 感知机只能用一条直线（一个平面）来划分。带状区域两侧需要两条边界，一条直线分不开。隐藏层可以造出多条边界再把它们组合起来。

配分 20 分 · 评分：“只有一条直线” 10 分，“需要两条边界” 10 分

Q3. 训练准确率 96%、验证准确率 59%，说明发生了什么？请给出两种对策。

答案 · 过拟合：模型把训练数据背下来了。对策：从“收集更多数据、减少隐藏神经元、提早停止训练”中任选两种。

配分 20 分 · 评分：诊断出过拟合 10 分，对策各 5 分

Q4. 在果蝇方式中，哪些连接是学习的，哪些是固定的？

答案 · 固定：投射神经元 → Kenyon 细胞（随机稀疏连接）。学习：Kenyon 细胞 → 输出神经元（由多巴胺改变）。

配分 20 分 · 评分：各 10 分

Q5. 在代码 2 中，果蝇方式（学习 4,004 个参数）取得了与 MLP（学习 16,708 个参数）相近的准确率。这说明了什么？

答案 · 仅靠宽而稀疏的固定表示，只训练输出层就足以解决简单的图形问题。但由于表示本身无法改进，面对困难问题时会有局限。

配分 20 分 · 评分：“固定表示也足够” 10 分，提到局限 10 分

基础

作业 · 在代码 1 中把 TOP（激活比例）从 0.08 改为 0.5，报告训练准确率和被激活的 Kenyon 细胞数量如何变化，并用两句话说明稀疏性为什么有用。

参考答案 · 把 TOP 提高到 0.5 后，一半的 Kenyon 细胞被激活，不同输入的编码大量重叠。玩具数据很简单，训练准确率可能依然很高，但激活的细胞从约 80 个增加到约 500 个，记忆之间容易混淆。稀疏编码对每个输入只使用少数互不重叠的细胞，因此能区分相似的气味，修改一段记忆时也较少干扰其他记忆。

评分要点 · 确认激活数量的变化（5） · 报告准确率（5） · 稀疏性的两个好处（减少重叠、减少干扰）（10）

挑战

作业 · 把代码 2 中 MLP 的隐藏层大小改为 8、64、512，用两个随机种子比较验证准确率。结合学习曲线（第 7 格）解释是否出现了过拟合。

参考答案 · 增大隐藏层后，训练损失下降得更快，但验证准确率并不上升，或随种子不同而波动。在 160 个示例数据（训练 96 个）上，512 个神经元的隐藏层很容易把训练数据背下来。在学习曲线上找出训练损失与验证准确率之间差距开始拉大的时刻，以此判断过拟合。

评分要点 · 三种大小 × 两个种子的结果表（8） · 学习曲线依据（6） · 结合数据量的解释（6）

Q1. 用一句话概括这篇论文的主张。

答案 · 从蘑菇体提取出的记忆信号必须传到侧角的汇合神经元（PD2a1/b1），记忆才能转化为行为。

配分 20 分 · 评分：“蘑菇体 → 侧角” 10 分，“需要汇合神经元” 10 分

Q2. 在关闭汇合神经元的实验中，为什么需要“只升高温度的对照组”？

答案 · 温度本身就可能改变行为，所以必须分辨记忆分数下降是因为神经元被阻断，还是因为温度。

配分 20 分 · 评分：对照的目的 20 分

Q3. 模型实验室的汇合公式为 1.0 × 本能 + 0.6 × 记忆。当本能 = 0.2、记忆 = −1.0 时，汇合值是多少？如果阻断记忆输入呢？

答案 · 0.2 + 0.6 × (−1.0) = −0.4（偏向回避）。阻断后为 0.2（只剩本能，偏向靠近）。

配分 20 分 · 评分：各 10 分

Q4. 为什么关掉一个神经元，记忆提取和对食物的趋向会一起消失？

答案 · 因为这个神经元是共享层：它同时接收两条通路（蘑菇体的记忆信号、食物气味投射神经元的本能信号）并输出。

配分 20 分 · 评分：“共享”概念 20 分

Q5. 在代码 2 中阻断记忆提取后，准确率从 0.84 降到 0.09。为什么是 0.09？

答案 · 本能值全为 0，所有类别的分数都相同，模型总是选择第一个类别。0.09 就是测试数据中第一个类别所占的比例。

配分 20 分 · 评分：“分数变得相同” 10 分，“第一个类别的比例” 10 分

基础

作业 · 在代码 1 中把 innate 值改为 [0.0, 0.5]（本能偏向回避），用表格报告训练前、训练后和阻断后的结果如何变化，并比较本能与记忆同向和反向两种情况。

参考答案 · innate = [0.0, 0.5] 时，训练前本能分数就已指向“回避”。惩罚训练会在记忆一侧降低“靠近”分数，所以训练后仍是回避；阻断记忆输入后，仅靠本能也是回避。在原始设置（innate = [0.5, 0.0]）下，阻断后会回到靠近。本能与记忆同向时，阻断后行为不变，记忆的贡献显现不出来；只有二者反向时，阻断实验才能揭示记忆的作用。

评分要点 · 三种情况的结果表（8） · 与原始设置的比较（6） · “只有反向时才会显现”的解释（6）

挑战

作业 · 在代码 2 的 MemoryInnate 中给 innate 赋值（例如给叉号类别 2.0），训练后阻断记忆输入。比较阻断前后的混淆矩阵，并说明本能如何牵引判断。

参考答案 · 给叉号类别的 innate 设为 2.0 后，训练过程中记忆通路会逆着这股牵引进行调整。阻断后只剩本能，大多数图形都会被判为叉号，混淆矩阵集中在叉号这一列。要指出：本能像一个不参与学习的偏置（bias），而记忆是叠加在它之上的修正。

评分要点 · 阻断前后的混淆矩阵（8） · 解释为何集中于叉号列（6） · 偏置 + 修正的解释（6）

Q1. 一个含 30 个突触的连接，每来一个输入脉冲增加的电流 g 是多少 mV？（0.275 mV × 增益 0.65）

答案 · 30 × 0.275 × 0.65 ≈ 5.36 mV。

配分 20 分 · 评分：公式 10 分，数值 10 分

Q2. 静息电压 −52 mV、阈值 −45 mV。如果一次脉冲使膜电压升高约 g 的 0.1575 倍，那么要单独触发发放，g 需要多大？

答案 · 距阈值 7 mV。7 / 0.1575 ≈ 44.4 mV。增益为 1.0 时需要约 162 个突触同时作用，增益为 0.65 时需要约 249 个。

配分 20 分 · 评分：算出 7 mV 10 分，g 值 10 分

Q3. 在“糖 + 苦味”场景中，口器运动神经元（MN9）为 0 Hz，而甜味二级神经元仍处于激活状态。抑制发生在哪个阶段？

答案 · 运动之前的最后一步。苦味刹车（Scapula）阻断了进食指令通路。

配分 20 分 · 评分：“运动之前” 20 分

Q4. 把增益提高到 0.75，梳理场景中会发生什么？

答案 · 仅 200 ms 内，每个时间步的脉冲数就膨胀到五倍，Kenyon 细胞以 39 Hz 被唤醒，由此产生的抑制甚至关掉了梳理指令神经元（失控）。

配分 20 分 · 评分：失控现象 10 分，梳理指令被关闭 10 分

Q5. 在代码 2 中，固定接线的脉冲模型只学习 644 个连接，测试准确率达到 0.75~0.81。与 MLP（16,708 个，0.88~0.91）相比，该如何解读这一结果？

答案 · 只学习约 4% 的连接就能答对不少，但由于无法学习表示本身，准确率低于 MLP。还应指出数据很少（测试 32 个），差异会有 ±0.1 的波动。

配分 20 分 · 评分：比例比较 10 分，局限与不确定性 10 分

基础

作业 · 在代码 1 中把增益 0.65 改为 0.55 和 0.75，用表格报告发放的神经元数量和平均发放频率，并结合“调增益”一节中的失控现象，用两句话加以解释。

参考答案 · 降低增益（0.55）时，每个输入增加的电流变小，发放的神经元数量和平均发放频率都低于 0.65；提高增益（0.75）时则增加。即使在代码 1 的小型神经网络中，增益越大，通过反馈扩散的发放也增长得越快。在模组的雄性完整神经系统中，这种增长表现为失控（每个时间步的脉冲数增至五倍、Kenyon 细胞 39 Hz），因此选择了 0.65。

评分要点 · 三种增益的结果表（8） · 说明增长方向（6） · 与失控现象的联系（6）

挑战

作业 · 在代码 2 的 ConnectomeLIF 中，把抑制神经元的符号（−0.5）全部改为 +0.18（去掉抑制）后重新训练。用两个随机种子比较脉冲记录（第 8 格）和准确率，并说明抑制在神经网络中起什么作用。

参考答案 · 去掉抑制后，大部分隐藏神经元发放得更频繁、更均匀，脉冲记录变得密密麻麻。不同输入之间发放模式的差异变小，解码层可用于区分的信息减少，因此准确率下降，或随种子不同而波动。抑制通过限制活动，使模式变得稀疏且易于区分（与特别篇 1 中 Kenyon 细胞“前 8%”规则的作用相同）。

评分要点 · 脉冲记录比较（6） · 两个种子的准确率（6） · 对抑制作用的解释（8）