网站源码是啥,wordpress 和 drupal,网络广告文案,discuz可以做门户网站吗课程1_第3周_测验题
目录#xff1a;目录
第一题
1.以下哪一项是正确的#xff1f;
A. 【 】 a [ 2 ] ( 12 ) a^{[2](12)} a[2](12)是第12层#xff0c;第2个训练数据的激活向量。
B. 【 】X是一个矩阵#xff0c;其中每个列都是一个训练示例。
C. 【 】 a 4 […课程1_第3周_测验题
目录目录
第一题
1.以下哪一项是正确的
A. 【 】 a [ 2 ] ( 12 ) a^{[2](12)} 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都是一个训练示例。
C. 【 】 a 4 [ 2 ] a^{[2]}_4 a4[2] 是第2层第4个训练数据的激活输出。
D. 【 】 a 4 [ 2 ] a^{[2]}_4 a4[2] 是第2层第4个神经元的激活输出。
E. 【 】 a [ 2 ] a^{[2]} a[2] 表示第2层的激活向量。
F. 【 】 a [ 2 ] ( 12 ) a^{[2](12)} a[2](12)是第2层第12个数据的激活向量。
G. 【 】 X X X是一个矩阵其中每个行是一个训练数据。
答案
B.【 √ 】X是一个矩阵其中每个列都是一个训练示例。
D.【 √ 】 a 4 [ 2 ] a^{[2]}_4 a4[2] 是第2层第4个神经元的激活输出。
E.【 √ 】 a [ 2 ] a^{[2]} a[2] 表示第2层的激活向量。
F.【 √ 】 a [ 2 ] ( 12 ) a^{[2](12)} a[2](12)是第2层第12个数据的激活向量。
第二题
2.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
答案
A.【 √ 】对
note正如tanh所看到的tanh的输出在-1和1之间因此它将数据集中在一起使得下一层的学习变得更加简单。
第三题
3.以下哪一个是层的正向传播的正确矢量化实现其中 1 ≤ l ≤ L 1 \le l \le L 1≤l≤L
A. 【 】 Z [ l ] W [ l ] A [ l ] b [ l ] Z^{[l]}W^{[l]}A^{[l]}b^{[l]} Z[l]W[l]A[l]b[l] A [ l 1 ] g [ l ] ( Z [ l ] ) A^{[l1]}g^{[l]}(Z^{[l]}) A[l1]g[l](Z[l])
B. 【 】 Z [ l ] W [ l ] A [ l ] b [ l ] Z^{[l]}W^{[l]}A^{[l]}b^{[l]} Z[l]W[l]A[l]b[l] A [ l 1 ] g [ l 1 ] ( Z [ l ] ) A^{[l1]}g^{[l1]}(Z^{[l]}) A[l1]g[l1](Z[l])
C. 【 】 Z [ l ] W [ l − 1 ] A [ l ] b [ l ] Z^{[l]}W^{[l-1]}A^{[l]}b^{[l]} Z[l]W[l−1]A[l]b[l] A [ l ] g [ l ] ( Z [ l ] ) A^{[l]}g^{[l]}(Z^{[l]}) A[l]g[l](Z[l])
D. 【 】 Z [ l ] W [ l ] A [ l − 1 ] b [ l ] Z^{[l]}W^{[l]}A^{[l-1]}b^{[l]} Z[l]W[l]A[l−1]b[l] A [ l ] g [ l ] ( Z [ l ] ) A^{[l]}g^{[l]}(Z^{[l]}) A[l]g[l](Z[l])
答案
D.【 √ 】 Z [ l ] W [ l ] A [ l − 1 ] b [ l ] Z^{[l]}W^{[l]}A^{[l-1]}b^{[l]} Z[l]W[l]A[l−1]b[l] A [ l ] g [ l ] ( Z [ l ] ) A^{[l]}g^{[l]}(Z^{[l]}) A[l]g[l](Z[l])
第四题
4.您正在构建一个用于识别黄瓜y1与西瓜y0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
答案
C.【 √ 】sigmoid
note
来自sigmoid函数的输出值可以很容易地理解为概率。Sigmoid输出的值介于0和1之间这使其成为二元分类的一个非常好的选择。 如果输出小于0.5则可以将其归类为0如果输出大于0.5则归类为1。 它也可以用tanh来完成但是它不太方便因为输出在-1和1之间。
第五题
5.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)
答案
D.【 √ 】shape (4, 1)
note我们使用keepdims True来确保A.shape是4,1而不是4它使我们的代码更加严格。
第六题
6.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。
答案
A.【 √ 】第一个隐藏层中的每个神经元节点将执行相同的计算。 所以即使经过多次梯度下降迭代后层中的每个神经元节点都会计算出与其他神经元节点相同的东西。
第七题
7.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
答案
B.【 √ 】不对
note Logistic回归没有隐藏层。 如果将权重初始化为零则Logistic回归中的第一个示例x将输出零但Logistic回归的导数取决于不是零的输入x因为没有隐藏层。 因此在第二次迭代中如果x不是常量向量则权值遵循x的分布并且彼此不同。
第八题
8.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。
答案
D.【 √ 】这将导致tanh的输入也很大因此导致梯度接近于零 优化算法将因此变得缓慢。
notetanh对于较大的值变得平坦这导致其梯度接近于零。 这减慢了优化算法。
第九题
9.考虑以下1个隐层的神经网络
A. 【 】 W [ 1 ] W^{[1]} W[1]的形状是(2, 4)
B. 【 】 b [ 1 ] b^{[1]} b[1]的形状是(4, 1)
C. 【 】 W [ 1 ] W^{[1]} W[1]的形状是(4, 2)
D. 【 】 b [ 1 ] b^{[1]} b[1]的形状是(2, 1)
E. 【 】 W [ 2 ] W^{[2]} W[2]的形状是(1, 4)
F. 【 】 b [ 2 ] b^{[2]} b[2]的形状是(4, 1)
G. 【 】 W [ 2 ] W^{[2]} W[2]的形状是(4, 1)
H. 【 】 b [ 2 ] b^{[2]} b[2]的形状是(1, 1)
答案
B.【 √ 】 b [ 1 ] b^{[1]} b[1]的形状是(4, 1)
C.【 √ 】 W [ 1 ] W^{[1]} W[1]的形状是(4, 2)
E.【 √ 】 W [ 2 ] W^{[2]} W[2]的形状是(1, 4)
H.【 √ 】 b [ 2 ] b^{[2]} b[2]的形状是(1, 1)
第十题
10.在和上一问相同的网络中 Z [ 1 ] Z^{[1]} Z[1]和 A [ 1 ] A^{[1]} A[1]的维度是多少
A. 【 】 Z [ 1 ] Z^{[1]} Z[1]和 A [ 1 ] A^{[1]} A[1]是(4,1)
B. 【 】 Z [ 1 ] Z^{[1]} Z[1]和 A [ 1 ] A^{[1]} A[1]是(1,4)
C. 【 】 Z [ 1 ] Z^{[1]} Z[1]和 A [ 1 ] A^{[1]} A[1]是(4,m)
D. 【 】 Z [ 1 ] Z^{[1]} Z[1]和 A [ 1 ] A^{[1]} A[1]是(4,2)
答案
C.【 √ 】 Z [ 1 ] Z^{[1]} Z[1]和 A [ 1 ] A^{[1]} A[1]是(4,m)
