神经网络和深度学习第三周检测

答案见下方

---

1.以下哪一项是正确的？

A. X是一个矩阵，其中每个列都是一个训练示例。
B. a^ [2]_4 是第二层第四层神经元的激活的输出。
C. a^ [2] (12)表示第二层的第12个样本的激活向量。
D. a^ [2] 表示第二层的激活向量。

2.tanh激活函数通常比隐藏层单元的sigmoid激活函数效果更好，因为其输出的平均值更接近于零，因此它将数据集中在下一层是更好的选择，请问正确吗？

A. True
B. False

3.其中哪一个是第l层向前传播的正确向量化实现，其中1≤ l ≤L

A. Z^ [l]=W^ [l]A^ [l−1]+b[l]
B. A^ [l]=g^ [l] (Z^ [l])

4.您正在构建一个识别黄瓜（y = 1）与西瓜（y = 0）的二元分类器。 你会推荐哪一种激活函数用于输出层？

A. ReLU
B. Leaky ReLU
C. sigmoid
D. tanh

5.看一下下面的代码：请问B.shape的值是多少?

A = np.random.randn(4,3)
B = np.sum(A, axis = 1, keepdims = True)

6.假设你已经建立了一个神经网络。 您决定将权重和偏差初始化为零。 以下哪项陈述是正确的？

A. 第一个隐藏层中的每个神经元节点将执行相同的计算。 所以即使经过多次梯度下降迭代后，层中的每个神经元节点都会计算出与其他神经元节点相同的东西。
B. 第一个隐藏层中的每个神经元将在第一次迭代中执行相同的计算。 但经过一次梯度下降迭代后，他们将学会计算不同的东西，因为我们已经“破坏了对称性”。
C. 第一个隐藏层中的每一个神经元都会计算出相同的东西，但是不同层的神经元会计算不同的东西，因此我们已经完成了“对称破坏”。
D. 即使在第一次迭代中，第一个隐藏层的神经元也会执行不同的计算， 他们的参数将以自己的方式不断发展。

7.Logistic回归的权重w应该随机初始化，而不是全零，因为如果初始化为全零，那么逻辑回归将无法学习到有用的决策边界，因为它将无法“破坏对称性”，是正确的吗？

A. True
B. False

8.您已经为所有隐藏单元使用tanh激活建立了一个网络。 使用np.random.randn（…，…）* 1000将权重初始化为相对较大的值。 会发生什么？

A. 这没关系。只要随机初始化权重，梯度下降不受权重大小的影响。
B. 这将导致tanh的输入也非常大，因此导致梯度也变大。因此，您必须将α设置得非常小以防止发散; 这会减慢学习速度。
C. 这会导致tanh的输入也非常大，导致单位被“高度激活”，从而加快了学习速度，而权重必须从小数值开始。
D. 这将导致tanh的输入也很大，因此导致梯度接近于零， 优化算法将因此变得缓慢。

9.看一下下面的单隐层神经网络：

A. b^ [1] 的维度是(4, 1)
B. W^ [1] 的维度是 (4, 2)
C. W^ [2] 的维度是 (1, 4)
D. b^ [2] 的维度是 (1, 1)

10.I在和上一个相同的网络中，Z^ [1] 和 A^ [1]的维度是多少？

答：

---

答案：

1. ABCD

2. A

3. AD

4. C

5. B.shape = (4, 1) #keepdims = True）来确保A.shape是（4,1）
   

6. A

7. A

8. D

9. ACD（B应该是（4，3））

10. Z^ [1] 和 A^ [1]的维度都是 (4,m)(注意z和Z的区别：z表示单个样本，Z表示所有样本)

D

9. ACD（B应该是（4，3））

10. Z^ [1] 和 A^ [1]的维度都是 (4,m)(注意z和Z的区别：z表示单个样本，Z表示所有样本)