---

←上一篇↓↑下一篇→

4.8 這和大腦有什么關(guān)系	回到目錄	1.1 訓(xùn)練/開發(fā)/測試集 (第二課)

---

總結(jié)

習(xí)題

第 31 題

在我們的前向傳播和后向傳播實現(xiàn)中使用的“緩存”是什么？

A.它用于在訓(xùn)練期間緩存成本函數(shù)的中間值。

B.我們用它將在正向傳播過程中計算的變量傳遞到相應(yīng)的反向傳播步驟。它包含了反向傳播計算導(dǎo)數(shù)的有用值。

C.它用于跟蹤我們正在搜索的超參數(shù)，以加快計算速度。

D.我們用它將反向傳播過程中計算的變量傳遞到相應(yīng)的正向傳播步驟。它包含用于計算正向傳播的激活的有用值。

第 32 題

以下哪些是“超參數(shù)”？(選出所有正確項)

A.隱藏層規(guī)模 $n^{[l]}$

B.神經(jīng)網(wǎng)絡(luò)的層數(shù) $L$

C.激活向量 $a^{[l]}$

D.權(quán)重矩陣 $W^{[l]}$

E.學(xué)習(xí)率 $\alpha$

F.迭代次數(shù)

G.偏置向量 $b^{[l]}$

第 33 題

下列哪個說法是正確的？

A.神經(jīng)網(wǎng)絡(luò)的更深層通常比前面的層計算更復(fù)雜的特征

B.神經(jīng)網(wǎng)絡(luò)的前面的層通常比更深層計算更復(fù)雜的特性

第 34 題

向量化允許您在L層神經(jīng)網(wǎng)絡(luò)中計算前向傳播時，不需要在層 $l=1,2,\dots ,L$ 間顯式的使用for循環(huán)（或任何其他顯式迭代循環(huán)）

A.對 B.不對

第 35 題

假設(shè)我們將 $n^{[l]}$ 的值存儲在名為 $layers$ 的數(shù)組中，如下所示： $layer\_dims=[n_x,4,3,2,1]$ 。 因此，第1層有4個隱藏單元，第2層有3個隱藏單元，依此類推。 您可以使用哪個for循環(huán)初始化模型參數(shù)？

A.

for(i in range(1, len(layer_dims/2))):parameter[‘W’ + str(i)] = np.random.randn(layers[i], layers[i - 1])) * 0.01parameter[‘b’ + str(i)] = np.random.randn(layers[i], 1) * 0.01

B.

for(i in range(1, len(layer_dims/2))):parameter[‘W’ + str(i)] = np.random.randn(layers[i], layers[i - 1])) * 0.01parameter[‘b’ + str(i)] = np.random.randn(layers[i-1], 1) * 0.01

C.

for(i in range(1, len(layer_dims))):parameter[‘W’ + str(i)] = np.random.randn(layers[i-1], layers[i])) * 0.01parameter[‘b’ + str(i)] = np.random.randn(layers[i], 1) * 0.01

D.

for(i in range(1, len(layer_dims))):parameter[‘W’ + str(i)] = np.random.randn(layers[i], layers[i-1])) * 0.01parameter[‘b’ + str(i)] = np.random.randn(layers[i], 1) * 0.01

第 36 題

考慮以下神經(jīng)網(wǎng)絡(luò)：

該神經(jīng)網(wǎng)絡(luò)有幾層？

A.層數(shù) $L$ 是4，隱藏層數(shù)是3

B.層數(shù) $L$ 是3，隱藏層數(shù)是3

C.層數(shù) $L$ 是4，隱藏層數(shù)是4

D.層數(shù) $L$ 是5，隱藏層數(shù)是4

第 37 題

在前向傳播期間，在層 $l$ 的前向傳播函數(shù)中，您需要知道 $l$ 層中的激活函數(shù)（Sigmoid，tanh，ReLU等）是什么。在反向傳播期間，相應(yīng)的反向傳播函數(shù)也需要知道第 $l$ 層的激活函數(shù)是什么，因為梯度是根據(jù)它來計算的

A.對 B.不對

第 38 題

有一些函數(shù)具有以下特性：

(i) 當(dāng)使用淺網(wǎng)絡(luò)計算時，需要一個大網(wǎng)絡(luò)（我們通過網(wǎng)絡(luò)中的邏輯門數(shù)量來度量大小），但是（ii）當(dāng)使用深網(wǎng)絡(luò)來計算時，我們只需要一個指數(shù)級小的網(wǎng)絡(luò)

A.對 B.不對

第 39 題

在以下2層隱藏層的神經(jīng)網(wǎng)絡(luò)中，以下哪句話是正確的？

A. $W^{[1]}$ 的形狀是 (4, 4)

B. $b^{[1]}$ 的形狀是 (4, 1)

C. $W^{[2]}$ 的形狀是 (3, 4)

D. $b^{[2]}$ 的形狀是 (3, 1)

E. $W^{[3]}$ 的形狀是 (1, 1)

F. $b^{[3]}$ 的形狀是 (1, 3)

第 40 題

前面的問題使用了一個特定的網(wǎng)絡(luò)，一般情況下，層 $l$ 的權(quán)重矩陣 $W^{[l]}$ 的維數(shù)是多少?

A. $W^{[l]}$ 的形狀是 $(n^{[l]},n^{[l?1]})$
B. $W^{[l]}$ 的形狀是 $(n^{[l?1]},n^{[l]})$
C. $W^{[l]}$ 的形狀是 $(n^{[l+1]},n^{[l]})$
D. $W^{[l]}$ 的形狀是 $(n^{[l]},n^{[l+1]})$

31-40題 答案

31.B 32.ABEF 33.A 34.B 35.D 36.A 37.A 38.A 39.ABCD 40.A

---

←上一篇↓↑下一篇→

4.8 這和大腦有什么關(guān)系	回到目錄	1.1 訓(xùn)練/開發(fā)/測試集 (第二課)

---

總結(jié)

以上是生活随笔為你收集整理的4.9 总结-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。