sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第二周测验

本文主要是介绍sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第二周测验,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

课程1_第2周_测验题

目录:目录

第一题

1.神经元计算什么?

A. 【  】神经元计算激活函数后,再计算线性函数(z=Wx+b)

B. 【  】神经元计算一个线性函数(z=Wx+b),然后接一个激活函数

C. 【  】神经元计算一个函数g,它线性地缩放输入x(Wx+b)

D. 【  】神经元先计算所有特征的平均值,然后将激活函数应用于输出

答案:

B.【 √ 】神经元计算一个线性函数(z=Wx+b),然后接一个激活函数

第二题

2.以下哪一个是逻辑回归的损失函数?

A. 【  】 L ( i ) ( y ^ ( i ) , y ( i ) ) = ∣ y ( i ) − y ^ ( i ) ∣ L^{(i)}(\hat{y}^{(i)},y^{(i)})=|y^{(i)} - \hat{y}^{(i)}| L(i)(y^(i),y(i))=y(i)y^(i)

B. 【  】 L ( i ) ( y ^ ( i ) , y ( i ) ) = m a x ( 0 , y ( i ) − y ^ ( i ) ) L^{(i)}(\hat{y}^{(i)},y^{(i)})=max(0,y^{(i)} - \hat{y}^{(i)}) L(i)(y^(i),y(i))=max(0,y(i)y^(i))

C. 【  】 L ( i ) ( y ^ ( i ) , y ( i ) ) = ∣ y ( i ) − y ^ ( i ) ∣ 2 L^{(i)}(\hat{y}^{(i)},y^{(i)})=|y^{(i)} - \hat{y}^{(i)}|^2 L(i)(y^(i),y(i))=y(i)y^(i)2

D. 【  】 L ( i ) ( y ^ ( i ) , y ( i ) ) = − ( y ( i ) l o g ( y ^ ( i ) ) + ( 1 − y ( i ) ) l o g ( 1 − y ^ ( i ) ) ) L^{(i)}(\hat{y}^{(i)},y^{(i)})=-(y^{(i)}log(\hat{y}^{(i)})+(1-y^{(i)})log(1-\hat{y}^{(i)})) L(i)(y^(i),y(i))=(y(i)log(y^(i))+(1y(i))log(1y^(i)))

答案:

D.【 √ 】 L ( i ) ( y ^ ( i ) , y ( i ) ) = − ( y ( i ) l o g ( y ^ ( i ) ) + ( 1 − y ( i ) ) l o g ( 1 − y ^ ( i ) ) ) L^{(i)}(\hat{y}^{(i)},y^{(i)})=-(y^{(i)}log(\hat{y}^{(i)})+(1-y^{(i)})log(1-\hat{y}^{(i)})) L(i)(y^(i),y(i))=(y(i)log(y^(i))+(1y(i))log(1y^(i)))

第三题

3.假设img是一个(32, 32, 3)数组,表示一个32x32图像,它有三个颜色通道:红色、绿色和蓝色。如何将其重塑为列向量?

A. 【  】x = img.reshape((1, 32 * 32, 3))

B. 【  】x = img.reshape((32 * 32 * 3, 1))

C. 【  】x = img.reshape((3, 32 * 32))

D. 【  】x = img.reshape((32 * 32, 3))

答案:

B.【 √ 】x = img.reshape((32 * 32 * 3, 1))

第四题

4.考虑以下两个随机数组a和b:

a = np.random.randn(2, 3) # a.shape = (2, 3)
b = np.random.randn(2, 1) # b.shape = (2, 1)
c = a + b

c的维度是什么?

A. 【  】c.shape = (3, 2)

B. 【  】c.shape = (2, 1)

C. 【  】c.shape = (2, 3)

D. 【  】计算不成立因为这两个矩阵维度不匹配

答案:

C.【 √ 】c.shape = (2, 3)

第五题

5.考虑以下两个随机数组a和b:

a = np.random.randn(4, 3) # a.shape = (4, 3)
b = np.random.randn(3, 2) # b.shape = (3, 2)
c = a * b

c的维度是什么?

A. 【  】c.shape = (4, 3)

B. 【  】c.shape = (3, 3)

C. 【  】c.shape = (4, 2)

D. 【  】计算不成立因为这两个矩阵维度不匹配

答案:

D.【 √ 】计算不成立因为这两个矩阵维度不匹配

Note:运算符 “*” 说明了按元素乘法来相乘,但是元素乘法需要两个矩阵之间的维数相同,所以这将报错,无法计算。

第六题

6.假设每个示例有 n x n_x nx个输入特性, X = [ X ( 1 ) , X ( 2 ) … , X ( m ) ] X=[X^{(1)},X^{(2)}…,X^{(m)}] X=[X(1)X(2),X(m)] X X X的维数是多少?

A. 【  】(m, 1)

B. 【  】(1, m)

C. 【  】( n x n_x nx, m)

D. 【  】(m, n x n_x nx)

答案:

C.【 √ 】( n x n_x nx, m)

第七题

7.np.dot(a,b)对a和b的进行矩阵乘法,而a * b执行元素的乘法,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的维度是什么?

A. 【  】c.shape = (12288, 150)

B. 【  】c.shape = (150, 150)

C. 【  】c.shape = (12288, 45)

D. 【  】计算不成立因为这两个矩阵维度不匹配

答案:

C.【 √ 】c.shape = (12288, 45)

第八题

8.请考虑以下代码段:

#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]

如何将之矢量化?

A. 【  】c = a + d

B. 【  】c = a +b.T

C. 【  】c = a.T + b.T

D. 【  】c = a.T + b

答案:

B.【 √ 】c = a +b.T

Note:a的每一行元素,逐行相加b的每一行元素

第九题

9.请考虑以下代码段:

a = np.random.randn(3, 3)
b = np.random.randn(3, 1)
c = a * b

c的维度是什么?

A. 【  】这会触发广播机制,b会被复制3次变成(3, 3),而 * 操作是元素乘法,所以c.shape = (3, 3)

B. 【  】这会触发广播机制,b会被复制3次变成(3, 3),而 * 操作是矩阵乘法,所以c.shape = (3, 3)

C. 【  】这个操作将一个3x3矩阵乘以一个3x1的向量,所以c.shape = (3, 1)

D. 【  】这个操作会报错,因为你不能用 * 对这两个矩阵进行操作,你应该用np.dot(a, b)

答案:

A.【 √ 】这会触发广播机制,b会被复制3次变成(3,3),而 * 操作是元素乘法,所以c.shape = (3, 3)

第十题

10.请考虑以下计算图:
在这里插入图片描述

输出J是?

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)

答案:

B.【 √ 】J = (a - 1) * (b + c)

这篇关于sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第二周测验的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/2724

相关文章

深度解析Spring Security 中的 SecurityFilterChain核心功能

《深度解析SpringSecurity中的SecurityFilterChain核心功能》SecurityFilterChain通过组件化配置、类型安全路径匹配、多链协同三大特性,重构了Spri... 目录Spring Security 中的SecurityFilterChain深度解析一、Security

深度解析Nginx日志分析与499状态码问题解决

《深度解析Nginx日志分析与499状态码问题解决》在Web服务器运维和性能优化过程中,Nginx日志是排查问题的重要依据,本文将围绕Nginx日志分析、499状态码的成因、排查方法及解决方案展开讨论... 目录前言1. Nginx日志基础1.1 Nginx日志存放位置1.2 Nginx日志格式2. 499

SQL Server安装时候没有中文选项的解决方法

《SQLServer安装时候没有中文选项的解决方法》用户安装SQLServer时界面全英文,无中文选项,通过修改安装设置中的国家或地区为中文中国,重启安装程序后界面恢复中文,解决了问题,对SQLSe... 你是不是在安装SQL Server时候发现安装界面和别人不同,并且无论如何都没有中文选项?这个问题也

Python实现中文文本处理与分析程序的示例详解

《Python实现中文文本处理与分析程序的示例详解》在当今信息爆炸的时代,文本数据的处理与分析成为了数据科学领域的重要课题,本文将使用Python开发一款基于Python的中文文本处理与分析程序,希望... 目录一、程序概述二、主要功能解析2.1 文件操作2.2 基础分析2.3 高级分析2.4 可视化2.5

深度解析Java DTO(最新推荐)

《深度解析JavaDTO(最新推荐)》DTO(DataTransferObject)是一种用于在不同层(如Controller层、Service层)之间传输数据的对象设计模式,其核心目的是封装数据,... 目录一、什么是DTO?DTO的核心特点:二、为什么需要DTO?(对比Entity)三、实际应用场景解析

深度解析Java项目中包和包之间的联系

《深度解析Java项目中包和包之间的联系》文章浏览阅读850次,点赞13次,收藏8次。本文详细介绍了Java分层架构中的几个关键包:DTO、Controller、Service和Mapper。_jav... 目录前言一、各大包1.DTO1.1、DTO的核心用途1.2. DTO与实体类(Entity)的区别1

Redis出现中文乱码的问题及解决

《Redis出现中文乱码的问题及解决》:本文主要介绍Redis出现中文乱码的问题及解决,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. 问题的产生2China编程. 问题的解决redihttp://www.chinasem.cns数据进制问题的解决中文乱码问题解决总结

深度解析Python装饰器常见用法与进阶技巧

《深度解析Python装饰器常见用法与进阶技巧》Python装饰器(Decorator)是提升代码可读性与复用性的强大工具,本文将深入解析Python装饰器的原理,常见用法,进阶技巧与最佳实践,希望可... 目录装饰器的基本原理函数装饰器的常见用法带参数的装饰器类装饰器与方法装饰器装饰器的嵌套与组合进阶技巧

深度解析Spring Boot拦截器Interceptor与过滤器Filter的区别与实战指南

《深度解析SpringBoot拦截器Interceptor与过滤器Filter的区别与实战指南》本文深度解析SpringBoot中拦截器与过滤器的区别,涵盖执行顺序、依赖关系、异常处理等核心差异,并... 目录Spring Boot拦截器(Interceptor)与过滤器(Filter)深度解析:区别、实现

深度解析Spring AOP @Aspect 原理、实战与最佳实践教程

《深度解析SpringAOP@Aspect原理、实战与最佳实践教程》文章系统讲解了SpringAOP核心概念、实现方式及原理,涵盖横切关注点分离、代理机制(JDK/CGLIB)、切入点类型、性能... 目录1. @ASPect 核心概念1.1 AOP 编程范式1.2 @Aspect 关键特性2. 完整代码实