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