第三周 - 浅层神经网络
第 21 题
以下哪项是正确的？（选出所有正确项）
A.(a^{[2](12)})是第12层，第2个训练数据的激活向量
B.(X)是一个矩阵，其中每个列是一个训练数据
C.(a^{[2]}_4)是第2层，第4个训练数据的激活输出
D.(a^{[2]}_4)是第2层，第4个神经元的激活输出
E.(a^{[2]})表示第2层的激活向量
F.(a^{[2](12)})是第2层，第12个数据的激活向量
G.(X)是一个矩阵，其中每个行是一个训练数据
第 22 题
对于隐藏单元，tanh激活通常比sigmoid激活函数更有效，因为其输出的平均值接近于零，因此它可以更好地将数据集中到下一层。
A.对
B.不对
第 23 题
以下哪一个是(l)层的正向传播的正确矢量化实现，其中(1 le l le L)
A.
(Z^{[l]}=W^{[l]}A^{[l]}+b^{[l]})
(A^{[l+1]}=g^{[l]}(Z^{[l]}))
B.
(Z^{[l]}=W^{[l]}A^{[l]}+b^{[l]})
(A^{[l+1]}=g^{[l+1]}(Z^{[l]}))
C.
(Z^{[l]}=W^{[l-1]}A^{[l]}+b^{[l]})
(A^{[l]}=g^{[l]}(Z^{[l]}))
D.
(Z^{[l]}=W^{[l]}A^{[l-1]}+b^{[l]})
(A^{[l+1]}=g^{[l]}(Z^{[l]}))
第 24 题
您正在构建一个用于识别黄瓜（y=1）与西瓜（y=0）的二进制分类器。对于输出层，您建议使用哪一个激活函数？
A.ReLU
B.Leaky ReLU
C.sigmoid
D.tanh
第 25 题
考虑以下代码：
A = np.random.randn(4,3)
B = np.sum(A, axis = 1, keepdims = True)
B.shape是多少？
A.(4,)
B.(1, 3)
C.(, 3)
D.(4, 1)
第 26 题
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？（选出所有正确项）
A.第一隐藏层中的每个神经元将执行相同的计算。因此，即使在梯度下降的多次迭代之后，层中的每个神经元将执行与其他神经元相同的计算。
B.第一隐层中的每个神经元在第一次迭代中执行相同的计算。但是在梯度下降的一次迭代之后，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个神经元将执行相同的计算，但不同层中的神经元执行不同的计算，因此我们完成了课堂上所描述的“对称性破坏”。
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，因此，它们的参数会以自己的方式不断演化。
第 27 题
逻辑回归的权重w应该随机初始化，而不是全部初始化为全部零，否则，逻辑回归将无法学习有用的决策边界，因为它将无法“打破对称”
A.对
B.不对
第 28 题
你已经为所有隐藏的单位建立了一个使用tanh激活的网络。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.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，从而导致梯度也变大。因此，你必须将(alpha)设置得非常小，以防止发散；这将减慢学习速度。
C.这将导致tanh的输入也非常大，导致单元被“高度激活”。与权重从小值开始相比，加快了学习速度。
D.这将导致tanh的输入也非常大，从而导致梯度接近于零。因此，优化算法将变得缓慢。
第 29 题
考虑以下1个隐层的神经网络：
A.(W^{[1]})的形状是(2, 4)
B.(b^{[1]})的形状是(4, 1)
C.(W^{[1]})的形状是(4, 2)
D.(b^{[1]})的形状是(2, 1)
E.(W^{[2]})的形状是(1, 4)
F.(b^{[2]})的形状是(4, 1)
G.(W^{[2]})的形状是(4, 1)
H.(b^{[2]})的形状是(1, 1)
第 30 题
在和上一问相同的网络中，(Z^{[1]}) 和 (A^{[1]})的维度是多少？
A.(Z^{[1]}) 和 (A^{[1]})是(4, 1)
B.(Z^{[1]}) 和 (A^{[1]})是(1, 4)
C.(Z^{[1]}) 和 (A^{[1]})是(4, m)
D.(Z^{[1]}) 和 (A^{[1]})是(4, 2)
21-30题 答案
21.BDEF 22.A 23.D 24.C 25.D 26.A 127.B 28.D 29.BC EH 30.C