第二周 - 神经网络基础
第 11 题
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
第 12 题
以下哪一个是逻辑回归的损失函数?
第 13 题
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))
第 14 题
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
第 15 题
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
第 16 题
假设每个示例有nx个输入特性,,X=[X(1),X(2)…,X(m)]。X的维数是多少?
A.(m, 1)
B.(1, m)
C.(nx, m)
D.(m, nx)
第 17 题
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
第 18 题
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
第 19 题
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)
第 20 题
请考虑以下计算图:
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)
11-20题 答案
11.B 12.D 13.B 14.C 15.D 16.C 17.C 18.B 19.A 20.B