吴恩达深度学习 —— 作业2

1、神经元节点计算什么？(A)

A.神经元节点先计算线性函数（z = Wx + b），再计算激活函数。
B.神经元节点先计算激活函数，再计算线性函数(z = Wx + b)。
C.神经元节点计算函数g，函数g计算(Wx + b)。
D.在将输出应用于激活函数之前，神经元节点计算所有特征的平均值。

2、下面哪一个是Logistic损失？(B)

3、假设img是一个(32, 32, 3)数组，具有3个颜色通道：红色、绿色和蓝色的32x32像素的图像。 如何将其重新转换为列向量？(D)

A. x = img.reshape((3, 32 * 32))
B. x = img.reshape((3, 32 * 32))
C. x = img.reshape((32 * 32, 3))
D. x = img.reshape((32 * 32 * 3, 1))

4、看一下下面的这两个随机数组“a”和“b”,请问数组c的维度是多少？(D)

  a = np.random.randn(2, 3) # a.shape = (2, 3)
  b = np.random.randn(2, 1) # b.shape = (2, 1)
  c = a + b

A.c.shape = (2, 1)
B.c.shape = (3, 2)
C.无法进行计算，因为大小不匹配。将会报错。
D.c.shape = (2, 3)

5、看一下下面的这两个随机数组“a”和“b”,请问数组c的维度是多少？(D)

A.c.shape = (4, 2)
B.c.shape = (4, 3)
C.c.shape = (3, 3)
D.无法进行计算，因为大小不匹配。将会报错。

6、假设你的每一个实例有n_x个输入特征，想一下在$X=[x^{(1)},x^{(2)},...,x^{(m)}]$中，X的维度是多少？(D)

A.(1, m)
B.(m, 1)
C.(m, n_x)
D.(n_x, m)

7、回想一下，np.dot(a，b) 在a和b上执行矩阵乘法，而 a * b 执行元素方式的乘法。 看下面的这两个随机数组“a”和“b”：请问c的维度是多少？(D)

  a = np.random.randn(12288, 150) # a.shape = (12288, 150)
  b = np.random.randn(150, 45) # b.shape = (150, 45)
  c = np.dot(a, b)

A.c.shape = (150,150)
B.c.shape = (12288, 150)
C.无法进行计算，因为大小不匹配。将会报错。
D.c.shape = (12288, 45)

8、看下面的代码片段：请问要怎么把它们向量化？

  #  a.shape = (3,4)
  #  b.shape = (4,1)
  for i in range(3):
      for j in range(4):
          c[i][j] = a[i][j] + b[j]

A.c = a.T + b.T
B.c = a + b
C.c = a + b.T
D.c = a.T + b

9、看下面的代码：请问c的维度会是多少？(A)

  a = np.random.randn(3, 3)
  b = np.random.randn(3, 1)
  c = a * b

A.这里将会使用广播机制，b会被复制三次，就会变成(3, 3)，“”代表对应元素乘法。因此c.shape将是（3，3）
B.这里将会使用广播机制，b会被复制三次，就会变成(3, 3)，“”代表两个3x3矩阵的矩阵乘法运算。因此c.shape将是（3，3）
C.这里将会使3x3矩阵A与3x1矢量相乘，从而产生3x1矢量。因此c.shape将是（3，1）。
D.这里将会报错，因为不能使用“*”对这两个矩阵进行操作。需要使用np.dot（a，b）。

10、看下面的计算图：请问输出是什么？(B)

A.J = (c - 1) * (b + a)
B.J = (a - 1) * (b + c)
C.J = a * b + b * c + a * c
D.J = (b - 1) * (c + a)