答案看最下方
1.神经元节点计算什么?
A. 神经元节点先计算激活函数,再计算线性函数(z = Wx + b)
B. 神经元节点先计算线性函数(z = Wx + b),再计算激活。
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.Logistic损失函数表达式的形式?
答:
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?
代码答:
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?
a = np.random.randn(2, 3) # a.shape = (2, 3)
b = np.random.randn(2, 1) # b.shape = (2, 1)
c = a + b
答:
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?
a = np.random.randn(4, 3) # a.shape = (4, 3)
b = np.random.randn(3, 2) # b.shape = (3, 2)
c = a * b
答:
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:
7.看一下下面的这两个随机数组“a”和“b”:请问c的维度是多少?
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)
答:
8.看一下下面的这个代码片段: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]
答:
9.看一下下面的代码:请问c的维度会是多少?
a = np.random.randn(3, 3)
b = np.random.randn(3, 1)
c = a * b
答:
答案:
- B(神经元输出的是g(Wx + b),根据前向传播应该是先计算(Wx + b),再将其带入到激活函数g中)
- 针对于单个训练集的:(误差函数)
针对于整个训练集的:(成本函数)
-
x = img.reshape((32*32*3,1))#reshape的作用是重塑数组
-
c.shape = (2, 3)#根据python的广播原理(B的列向量复制三次与A相加)
-
直接报错,想广播都广播不了,行和列向量都没有办法复制
-
X.shape = (n_x,m) #这个形式的 X=[[x_1^(1), x_1^(2)…x_1^(m)] [x_2^(1), x_2^(2)…x_2^(m)] ........................ [x_n^(1), x_n^(2)…x_n^(m)]]
-
c.shape = (12288, 45)#就是简单的矩阵乘法,dot(n×m , m×v) = n×v
-
c= a+b.T#这个就相当于是a的所有元素加上b转置的广播
-
c.shape = (3, 3)#这题跟第五题一样,但是这题中b的行数跟a的行数一样,就可以将b的列广播