吴恩达深度学习第3周测验 - 浅层神经网络

第3周测验 - 浅层神经网络

1.以下哪一项是正确的？

【★】X是一个矩阵，其中每个列都是一个训练示例。
【★】a[2]4a4[2] 是第二层第四层神经元的激活的输出。
【★】a[2](12)a[2](12)表示第二层和第十二层的激活向量。
【★】a[2]a[2] 表示第二层的激活向量。
注意：如果您不熟悉本课程所使用的符号，请 戳我。 
 

2.tanh激活函数通常比隐藏层单元的sigmoid激活函数效果更好，因为其输出的平均值更接近于零，因此它将数据集中在下一层是更好的选择，请问正确吗？

【★】True
【 】 False

3.正如视频中所看到的，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。

其中哪一个是第l层向前传播的正确向量化实现，其中1≤l≤L1≤l≤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])
 

4.您正在构建一个识别黄瓜（y = 1）与西瓜（y = 0）的二元分类器。 你会推荐哪一种激活函数用于输出层？

【 】 ReLU
【 】 Leaky ReLU
【★】sigmoid
【 】 tanh

5.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。

看一下下面的代码：

A = np.random.randn(4,3)
B = np.sum(A, axis = 1, keepdims = True)
1
2
请问B.shape的值是多少?

B.shape = (4, 1)

 

6.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。

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？

【★】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。
【 】 第一个隐藏层中的每个神经元将在第一次迭代中执行相同的计算。 但经过一次梯度下降迭代后，他们将学会计算不同的东西，因为我们已经“破坏了对称性”。
【 】第一个隐藏层中的每一个神经元都会计算出相同的东西，但是不同层的神经元会计算不同的东西，因此我们已经完成了“对称破坏”。
【 】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， 他们的参数将以自己的方式不断发展。

 

7.Logistic回归的权重w应该随机初始化，而不是全零，因为如果初始化为全零，那么逻辑回归将无法学习到有用的决策边界，因为它将无法“破坏对称性”，是正确的吗？

【 】True
【★】False

8.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。

您已经为所有隐藏单元使用tanh激活建立了一个网络。 使用np.random.randn（..，..）* 1000将权重初始化为相对较大的值。 会发生什么？

【 】这没关系。只要随机初始化权重，梯度下降不受权重大小的影响。

【 】这将导致tanh的输入也非常大，因此导致梯度也变大。因此，您必须将α设置得非常小以防止发散; 这会减慢学习速度。

【 】这会导致tanh的输入也非常大，导致单位被“高度激活”，从而加快了学习速度，而权重必须从小数值开始。

【★】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。

9.tanh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。

看一下下面的单隐层神经网络： 

【★】b[1]b[1] 的维度是(4, 1)
【★】W[1]W[1] 的维度是 (4, 2)
【★】W[2]W[2] 的维度是 (1, 4)
【★】b[2]b[2] 的维度是 (1, 1)
 

10.I在和上一个相同的网络中，z[1]z[1] 和 A[1]A[1]的维度是多少？

【★】z[1]z[1] 和 A[1]A[1] 的维度都是 (4,m)