吴恩达 — 神经网络与深度学习

吴恩达 — 神经网络与深度学习 — L1W2练习

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 $n_{x}$

A.(m, 1)

B.(1, m)

C.( $n_{x}$

D.(m, $n_{x}$

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