1.15 总结-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授

---

←上一篇	↓↑	下一篇→
1.14 关于梯度检验实现的注记	回到目录	2.1 Mini-batch 梯度下降

---

总结

第 41 题

如果你有10,000,000个例子，你会如何划分训练/开发/测试集？

A.33%训练，33%开发，33%测试

B.60%训练，20%开发，20%测试

C.98%训练，1%开发，20%测试

第 42 题

开发和测试集应该：

A.来自同一分布

B.来自不同分布

C.完全相同（一样的(x, y)对）

D.数据数量应该相同

第 43 题

如果你的神经网络方差很高，下列哪个尝试是可能解决问题的？

A.添加正则项

B.获取更多测试数据

C.增加每个隐藏层的神经元数量

D.用更深的神经网络

E.用更多的训练数据

第 44 题

你正在为苹果，香蕉和橘子制作分类器。 假设您的分类器在训练集上有0.5％的错误，以及开发集上有7％的错误。 以下哪项尝试是有希望改善你的分类器的分类效果的？

A.增大正则化参数 $\lambda$

B.减小正则化参数 $\lambda$

C.获取更多训练数据

D.用更大的神经网络

第 45 题

什么是权重衰减？

A.正则化技术（例如L2正则化）导致梯度下降在每次迭代时权重收缩

B.在训练过程中逐渐降低学习率的过程

C.如果神经网络是在噪声数据下训练的，那么神经网络的权值会逐渐损坏

D.通过对权重值设置上限来避免梯度消失的技术

第 46 题

当你增大正则化的超参数 $\lambda$ 时会发生什么？

A.权重变小（接近0）

B.重量变大（远离0）

C.2倍的 $\lambda$ 导致2倍的权重

D.每次迭代，梯度下降采取更大的步距（与 $\lambda$ 成正比）

第 47 题

在测试时候使用dropout：

A.不随机关闭神经元，但保留1/keep_brob因子

B.随机关闭神经元，保留1/keep_brob因子

C.随机关闭神经元，但不保留1/keep_brob因子

D.不随机关闭神经元，也不保留1/keep_brob因子

第 48 题

将参数keep_prob从（比如说）0.5增加到0.6可能会导致以下情况（选出所有正确项）：

A.正则化效应被增强

B.正则化效应被减弱

C.训练集的误差会增加

D.训练集的误差会减小

第 49 题

以下哪些技术可用于减少方差（减少过拟合）？（选出所有正确项）

A.梯度消失

B.数据扩充

C.Dropout

D.梯度检查

E.Xavier初始化

F.L2正则化

G.梯度爆炸

第 50 题

为什么要对输入 $x$ 进行正则化？

A.让参数初始化更快

B.让代价函数更快地优化

C.更容易做数据可视化

D.是另一种正则化——有助减少方差

41-50题 答案

41.C 42.A 43.AE 44.AC 45.A 46.A 47.D 48.BD 49.BCF 50.B

---

←上一篇	↓↑	下一篇→
1.14 关于梯度检验实现的注记	回到目录	2.1 Mini-batch 梯度下降

---