第三周 - 浅层神经网络
第 21 题
以下哪项是正确的?(选出所有正确项)
A.\(a^{[2](12)}\)是第12层,第2个训练数据的激活向量
B.\(X\)是一个矩阵,其中每个列是一个训练数据
C.\(a^{[2]}_4\)是第2层,第4个训练数据的激活输出
D.\(a^{[2]}_4\)是第2层,第4个神经元的激活输出
E.\(a^{[2]}\)表示第2层的激活向量
F.\(a^{[2](12)}\)是第2层,第12个数据的激活向量
G.\(X\)是一个矩阵,其中每个行是一个训练数据
第 22 题
对于隐藏单元,tanh激活通常比sigmoid激活函数更有效,因为其输出的平均值接近于零,因此它可以更好地将数据集中到下一层。
A.对
B.不对
第 23 题
以下哪一个是\(l\)层的正向传播的正确矢量化实现,其中\(1 \le l \le L\)
A.
\(Z^{[l]}=W^{[l]}A^{[l]}+b^{[l]}\)
\(A^{[l+1]}=g^{[l]}(Z^{[l]})\)
B.
\(Z^{[l]}=W^{[l]}A^{[l]}+b^{[l]}\)
\(A^{[l+1]}=g^{[l+1]}(Z^{[l]})\)
C.
\(Z^{[l]}=W^{[l-1]}A^{[l]}+b^{[l]}\)
\(A^{[l]}=g^{[l]}(Z^{[l]})\)
D.
\(Z^{[l]}=W^{[l]}A^{[l-1]}+b^{[l]}\)
\(A^{[l+1]}=g^{[l]}(Z^{[l]})\)
第 24 题
您正在构建一个用于识别黄瓜(y=1)与西瓜(y=0)的二进制分类器。对于输出层,您建议使用哪一个激活函数?
A.ReLU
B.Leaky ReLU
C.sigmoid
D.tanh
第 25 题
考虑以下代码:
A = np.random.randn(4,3)
B = np.sum(A, axis = 1, keepdims = True)
B.shape
是多少?
A.(4,)
B.(1, 3)
C.(, 3)
D.(4, 1)
第 26 题
假设你已经建立了一个神经网络。您决定将权重和偏差初始化为零。以下哪项陈述是正确的?(选出所有正确项)
A.第一隐藏层中的每个神经元将执行相同的计算。因此,即使在梯度下降的多次迭代之后,层中的每个神经元将执行与其他神经元相同的计算。
B.第一隐层中的每个神经元在第一次迭代中执行相同的计算。但是在梯度下降的一次迭代之后,他们将学会计算不同的东西,因为我们已经“破坏了对称性”。
C.第一个隐藏层中的每个神经元将执行相同的计算,但不同层中的神经元执行不同的计算,因此我们完成了课堂上所描述的“对称性破坏”。
D.即使在第一次迭代中,第一个隐藏层的神经元也会执行不同的计算,因此,它们的参数会以自己的方式不断演化。
第 27 题
逻辑回归的权重w应该随机初始化,而不是全部初始化为全部零,否则,逻辑回归将无法学习有用的决策边界,因为它将无法“打破对称”
A.对
B.不对
第 28 题
你已经为所有隐藏的单位建立了一个使用tanh激活的网络。使用np.random.randn(…, …)*1000
将权重初始化为相对较大的值。会发生什么?
A.没关系。只要随机初始化权重,梯度下降不受权重大小的影响。
B.这将导致tanh的输入也非常大,从而导致梯度也变大。因此,你必须将\(\alpha\)设置得非常小,以防止发散;这将减慢学习速度。
C.这将导致tanh的输入也非常大,导致单元被“高度激活”。与权重从小值开始相比,加快了学习速度。
D.这将导致tanh的输入也非常大,从而导致梯度接近于零。因此,优化算法将变得缓慢。
第 29 题
考虑以下1个隐层的神经网络:
A.\(W^{[1]}\)的形状是(2, 4)
B.\(b^{[1]}\)的形状是(4, 1)
C.\(W^{[1]}\)的形状是(4, 2)
D.\(b^{[1]}\)的形状是(2, 1)
E.\(W^{[2]}\)的形状是(1, 4)
F.\(b^{[2]}\)的形状是(4, 1)
G.\(W^{[2]}\)的形状是(4, 1)
H.\(b^{[2]}\)的形状是(1, 1)
第 30 题
在和上一问相同的网络中,\(Z^{[1]}\) 和 \(A^{[1]}\)的维度是多少?
A.\(Z^{[1]}\) 和 \(A^{[1]}\)是(4, 1)
B.\(Z^{[1]}\) 和 \(A^{[1]}\)是(1, 4)
C.\(Z^{[1]}\) 和 \(A^{[1]}\)是(4, m)
D.\(Z^{[1]}\) 和 \(A^{[1]}\)是(4, 2)
21-30题 答案
21.BDEF 22.A 23.D 24.C 25.D 26.A 127.B 28.D 29.BC EH 30.C
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:吴恩达 — 神经网络与深度学习 — L1W3练习 - Python技术站