课程一(Neural Networks and Deep Learning),第二周(Basics of Neural Network programming)答案
--------------------------------------------------中文翻译-----------------------------------------------------------------------------------------
1、神经元的计算是什么?(B)
A. 在将输出应用到激活函数之前, 神经元计算所有特征的平均值
B. 神经元计算一个线性函数 (z = Wx + b), 然后是一个激活函数
C. 神经元计算一个激活函数, 后跟一个线性函数 (z = Wx + b)
D. 一个神经元计算一个函数 g, 它将输入 x 线性地缩放 (Wx + b)
2、下面哪个是损失函数?(B)
见对应的英文题2
3、假设img 是一个 (32,32,3) 数组, 代表一个32x32 的图像与3色通道红色, 绿色和蓝色。如何将其重塑为列向量?(B)
A. x = img 重塑 (32 * 32,3))
B. x = img 重塑 (32 * 32 * 3,1))
C. x = img 重塑 (1,32 * 32, * 3))
D. x = img 重塑 (3,32 * 32))
4、考虑以下两个随机数组 "a" 和 "b", "c" 的形状是什么?(B)
a = np.random.randn(2, 3) # a.shape = (2, 3)b = np.random.randn(2, 1) # b.shape = (2, 1)c = a + b
A. c.shape = (2, 1)
B. c.shape = (2, 3)
C. c.shape = (3, 2)
D. 由于大小不匹配, 无法进行计算。这将是 "错误"!
5、考虑以下两个随机数组 "a" 和 "b", "c" 的形状是什么?(A)
a = np.random.randn(4, 3) # a.shape = (4, 3)b = np.random.randn(3, 2) # b.shape = (3, 2)c = a*b
A.由于大小不匹配, 无法进行计算。这将是 "错误"!
A. c.shape = (3, 3)
B. c.shape = (4, 2)
C. c.shape = (4, 3)
6、假设每一个样本的特征为nx维,X=[x(1)x(2)...x(m)],X的维度是多少?(A)
A. (nx,m)
B. (1,m)
C. (m,1)
D. (m,nx)
7、记得 "np. dot(a, b)" 在 a 和 b 上执行矩阵乘法, 而 "a * b" 执行元素乘法。考虑以下两个随机数组 "a" 和 "b":
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)
c 的形状是什么?(D)
A.c. 形状 = (12288, 150)
B.由于大小不匹配, 无法进行计算。这将是 "错误"!
C.c. 形状 = (150150)
D.c. 形状 = (12288, 45)
8、请考虑以下代码段,你怎么量化?(B)
# 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]
A. c = a + b
B. c = a + b.T
C. c = a.T + b
D. c = a.T + b.T
9、请考虑以下代码:c的结果?(如果您不确定, 请随时在 python 中运行此查找)。(A)
a = np.random.randn(3, 3)b = np.random.randn(3, 1)c = a*b
A. 这将触发广播机制, 所以 b 被复制三次,成为 (3,3), * 代表矩阵对应元素相乘, 所以 c 的大小将是 (3, 3)
B. 这将触发广播机制, 所以 b 被复制三次,成为 (3, 3), * 代表矩阵乘法,运算两个3x3 的矩阵, 所以 c的大小将是 (3, 3)
C. 这将乘以一个3x3 矩阵 a 与一个3x1 向量b, 从而得到一个3x1 向量。即, c的大小 (3,1)。
D. 这将导致错误, 因为您不能使用 "*" 来操作这两个矩阵。你需要改用 np.dot(a, b)
10、考虑下面的计算图。什么是输出 J?(B) (注:由于网站无法显示图片,这题答案不确定。考察的知识点是计算图)
A. J = (c - 1)*(b + a)
B. J = (a - 1) * (b + c)
C. J = a*b + b*c + a*c
D. J = (b - 1) * (c + a)
【Deep Learning 二】课程一(Neural Networks and Deep Learning) 第二周(Basics of Neural Network programming)答案