hands-on-ml-with-sklearn-and-tf-第10章课后题

最新推荐文章于 2024-11-08 23:59:09 发布

XB_please

最新推荐文章于 2024-11-08 23:59:09 发布

阅读量394

点赞数

分类专栏： hands-on-ml-with-sklearn-and-tf（第二版文章标签：机器学习 tensorflow

本文链接：https://blog.csdn.net/xb_please/article/details/105206720

版权

hands-on-ml-with-sklearn-and-tf（第二版专栏收录该内容

5 篇文章 0 订阅

订阅专栏

Draw an ANN using the original artificial neurons (like the ones in Figure 10-3)
that computes A ⊕ B (where ⊕ represents the XOR operation). Hint: A ⊕ B = (A
∧ ¬ B) ∨ (¬ A ∧ B).

在这里插入图片描述

Why is it generally preferable to use a Logistic Regression classifier rather than a
classical Perceptron (i.e., a single layer of threshold logic units trained using the
Perceptron training algorithm)? How can you tweak a Perceptron to make it
equivalent to a Logistic Regression classifier?

只有当数据集可线性分离时，经典感知器才会收敛，并且它无法估计类概率。

相反，即使数据集不是线性可分的，Logistic回归分类器也会收敛到一个好的解决方案，并且它可以输出类概率。

如果你将Perceptron的激活函数更改为逻辑激活函数（或者如果有多个神经元则更改softmax激活函数），
如果你使用Gradient Descent（或其他一些最小化成本函数的优化算法，通常是交叉熵）训练它，那么它就等同于Logistic回归分类器。

Why was the logistic activation function a key ingredient in training the first MLPs?

逻辑激活函数是训练第一个MLP的关键因素，因为它的导数总是非零，因此梯度下降总是可以向下滚动。 
当激活函数是阶梯函数时，梯度下降不能移动，因为根本没有斜率。

Name three popular activation functions. Can you draw them?

阶梯函数，逻辑函数，双曲正切，整流线性单元。

Suppose you have an MLP composed of one input layer with 10 passthrough neurons,
followed by one hidden layer with 50 artificial neurons, and finally one
output layer with 3 artificial neurons. All artificial neurons use the ReLU activation function.

• What is the shape of the input matrix X?

形状是m×10，其中m表示训练批量大小。

• What about the shape of the hidden layer’s weight vector Wh, and the shape of its bias vector bh?

W_h的形状为10×50，b_h的长度为50。

• What is the shape of the output layer’s weight vector Wo, and its bias vector bo?

W_o的形状为50×3，b_o的长度为3。

• What is the shape of the network’s output matrix Y?

mx3

• Write the equation that computes the network’s output matrix Y as a function of X, Wh, bh, Wo and bo.

Y =（X·W_h + b_h）·W_o + b_o

How many neurons do you need in the output layer if you want to classify email into spam or ham?

只需要在神经网络的输出层中有一个神经元。

What activation function should you use in the output layer?

在估计概率时，通常会在输出层中使用逻辑激活函数。

If instead you want to tackle MNIST, how many neurons do you need in the output layer, using what activation function?

需要输出层中有10个神经元，你必须用softmax激活函数替换逻辑函数，该函数可以处理多个类，每个类输出一个概率。

Answer the same questions for getting your network to predict housing prices as in Chapter 2.

需要一个输出神经元，在输出层根本不使用激活功能。

What is backpropagation and how does it work? What is the difference between backpropagation and reverse-mode autodiff?

反向传播是一种用于训练人工神经网络的技术。
它首先根据每个模型参数（所有权重和偏差）计算成本函数的梯度，然后使用这些梯度执行梯度下降步骤。
该反向传播步骤通常使用许多训练批次执行数千或数百万次，直到模型参数收敛到最小化成本函数的值。
为了计算梯度，反向传播使用reverse-mode autodiff。
反向模式自动编排执行正向传递计算图，计算当前训练批的每个节点的值，然后执行反向传递，一次计算所有梯度）。

反向传播是指使用多个反向传播步骤训练人工神经网络的整个过程，每个反向传播步骤计算梯度并使用它们执行梯度下降步骤。
相比之下，reverse-mode autodiff只是一种有效计算梯度的技术，它恰好被反向传播使用。

Can you list all the hyperparameters you can tweak in an MLP?

隐藏层的数量、每个隐藏层中的神经元数量、每个隐藏层和输出层中使用的激活函数。

If the MLP overfits the training data, how could you tweak these hyperparameters to try to solve the problem?

减少隐藏层的数量并减少每个隐藏层的神经元数量。

Train a deep MLP on the MNIST dataset and see if you can get over 98% precision.
Try adding all the bells and whistles (i.e., save checkpoints, use early stopping,
plot learning curves using TensorBoard, and so on).