【吴恩达deeplearning.ai】Course 5 - 序列模型 - 第三周测验

1.想一想使用如下的编码-解码模型来进行机器翻译：

这个模型是“条件语言模型”,编码器部分(绿色显示)的意义是建模中输入句子x的概率
【 】 正确
【★】 错误

2.在集束搜索中，如果增加集束宽度$b$，以下哪一项是正确的？

【★】 集束搜索将运行的更慢。
【★】 集束搜索将使用更多的内存。
【★】 集束搜索通常将找到更好地解决方案（比如：在最大化概率$P(y|x)$上做的更好）。
【 】集束搜索将在更少的步骤后收敛。

3.在机器翻译中，如果我们在不使用句子归一化的情况下使用集束搜索，那么算法会输出过短的译文。

【★】正确
【 】错误

4.假设你正在构建一个能够让语音片段 $x$ 转为译文 $y$ 的基于RNN模型的语音识别系统，你的程序使用了集束搜索来试着找寻最大的$P(y|x)$的值$y$。在开发集样本中，给定一个输入音频，你的程序会输出译文$\hat{y}$ = “I’m building an A Eye system in Silly con Valley.”，人工翻译为$y^{\ast }$ = “I’m building an AI system in Silicon Valley.”

在你的模型中,

$P(\hat{y}\mid x)=1.09\ast 10^{-7}$

$P(y^{\ast }\mid x)=7.21\ast 10^{-8}$

那么，你会增加集束宽度$B$来帮助修正这个样本吗？

【★】 不会，因为 $P(y^{\ast }\mid x)\le P(\hat{y}\mid x)$ 说明了这个锅要丢给RNN，不能让搜索算法背锅。

【 】 不会，因为 $P(y^{\ast }\mid x)\le P(\hat{y}\mid x)$ 说明了这个锅要丢给搜索算法，凭什么让RNN背锅？

【 】 会的，因为 $P(y^{\ast }\mid x)\le P(\hat{y}\mid x)$ 说明了都是RNN的错，咱不能冤枉搜索算法。

【 】 会的，因为 $P(y^{\ast }\mid x)\le P(\hat{y}\mid x)$ 说明了千错万错都是搜索算法的错，可不能惩罚RNN啊~

5.接着使用第4题那里的样本，假设你花了几周的时间来研究你的算法，现在你发现，对于绝大多数让算法出错的例子而言，$P(y^{\ast }\mid x)>P(\hat{y}\mid x)$，这表明你应该将注意力集中在改进搜索算法上，对吗？

【★】 嗯嗯~
【 】 不对

6.回想一下机器翻译的模型：

除此之外，还有个公式 $a^{<t,t\prime >}=\frac{\text{exp}(e^{<t,t\prime >})}{{\sum }_{t\prime =1}^{T_x}\text{exp}(e^{<t,t\prime >})}$
下面关于 ${\alpha }^{<t,t\prime >}$ 的选项那个（些）是正确的？

【★】 对于网络中与输出$y^{<t>}$ 高度相关的 ${\alpha }^{t\prime }$而言，我们通常希望 ${\alpha }^{<t,t\prime >}$ 的值更大。（请注意上标）
【 】 对于网络中与输出$y^{<t>}$ 高度相关的 ${\alpha }^t$ 而言，我们通常希望 ${\alpha }^{<t,t\prime >}$ 的值更大。（请注意上标）
【 】${\sum }_t{\alpha }^{<t,t\prime >}=1$(注意是和除以t.)
【★】${\sum }_{t\prime }{\alpha }^{<t,t\prime >}=1$(注意是和除以t′.)

7.网络通过学习的值$e^{<t,t\prime >}$ 来学习在哪里关注“关注点”，这个值是用一个小的神经网络的计算出来的：

这个神经网络的输入中，我们不能将 $s^{<t-1>}$ 替换为$s^{<t>}$。这是因为$s^{<t>}$ 依赖于${\alpha }^{<t,t\prime >}$ ，而${\alpha }^{<t,t\prime >}$又依赖于$e^{<t,t\prime >}$；所以在我们需要评估这个网络时，我们还没有计算出$s^t$。

【★】 正确
【 】 错误

8.与题1中的编码-解码模型（没有使用注意力机制）相比，我们希望有注意力机制的模型在下面的情况下有着最大的优势：

【★】 输入序列的长度$T_x$ 比较大。
【 】 输入序列的长度$T_x$ 比较小。

9.在CTC模型下，不使用"空白"字符（_）分割的相同字符串将会被折叠。那么在CTC模型下，以下字符串将会被折叠成什么样子？__c_oo_o_kk___b_ooooo__oo__kkk

【 】 cokbok
【★】 cookbook
【 】 cook book
【 】 coookkboooooookkk

10.在触发词检测中, $x^{<t>}$ 是:
【★】 时间$t$时的音频特征（就像是频谱特征一样）。
【 】 第$t$个输入字，其被表示为一个独热向量或者一个字嵌入。
【 】 是否在第$t$时刻说出了触发词。
【 】 是否有人在第$t$时刻说完了触发词。