Neural Network Basics(W恩达-深度学习第一周第二课测试题)

Test-第二周测试题

1. 神经元节点计算什么？

【 】神经元节点先计算激活函数，再计算线性函数(z = Wx + b)

【★】神经元节点先计算线性函数（z = Wx + b），再计算激活。

【 】神经元节点计算函数g，函数g计算(Wx + b)。

【 】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

请注意：神经元的输出是a = g（Wx + b），其中g是激活函数（sigmoid，tanh，ReLU，…）。

2、下面哪一个是Logistic损失？

点击这里.
请注意：我们使用交叉熵损失函数。

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？

x = img.reshape((32 * 32 * 3, 1))

4、看一下下面的这两个随机数组“a”和“b”：

a = np.random.randn(2, 3) # a.shape = (2, 3)
b = np.random.randn(2, 1) # b.shape = (2, 1)
c = a + b
请问数组c的维度是多少？

答： B（列向量）复制3次，以便它可以和A的每一列相加，所以：c.shape = (2, 3)

5、看一下下面的这两个随机数组“a”和“b”：

a = np.random.randn(4, 3) # a.shape = (4, 3)
b = np.random.randn(3, 2) # b.shape = (3, 2)
c = a * b

请问数组“c”的维度是多少？

答：运算符 “*” 说明了按元素乘法来相乘，但是元素乘法需要两个矩阵之间的维数相同，所以这将报错，无法计算。

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？

答： (n_x, m)

请注意：一个比较笨的方法是当l=1的时候，那么计算一下Z(l)=W(l)A(l)
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。

7、看一下下面的这两个随机数组“a”和“b”：

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)
请问c的维度是多少？

答： c.shape = (12288, 45), 这是一个简单的矩阵乘法例子。

8、看一下下面的这个代码片段：

# 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]
请问要怎么把它们向量化？

答：c = a + b.T

9、看一下下面的代码：

a = np.random.randn(3, 3)
b = np.random.randn(3, 1)
c = a * b
请问c的维度会是多少？
答：这将会使用广播机制，b会被复制三次，就会变成(3,3)，再使用元素乘法。所以： c.shape = (3, 3).

10、看一下下面的计算图：

J = u + v - w
  = a * b + a * c - (b + c)
  = a * (b + c) - (b + c)
  = (a - 1) * (b + c)
答: (a - 1) * (b + c)
————————————————
版权声明：本文为CSDN博主「何宽」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u013733326/article/details/79865858

1. D

2. B

3. B

4. B

5. B

6. C

7. C

8. C

9. 

10. C