课程1_第3周_测验题
目录：目录
第一题
1.以下哪一项是正确的？
A. 【 】 a 2 ( 12 ) a^{2(12)} a2(12)是第12层，第2个训练数据的激活向量。
B. 【 】X是一个矩阵，其中每个列都是一个训练示例。
C. 【 】 a 4 2 a^{2}_4 a42 是第2层，第4个训练数据的激活输出。
D. 【 】 a 4 2 a^{2}_4 a42 是第2层，第4个神经元的激活输出。
E. 【 】 a 2 a^{2} a2 表示第2层的激活向量。
F. 【 】 a 2 ( 12 ) a^{2(12)} a2(12)是第2层，第12个数据的激活向量。
G. 【 】 X X X是一个矩阵，其中每个行是一个训练数据。
答案：
B.【 √ 】X是一个矩阵，其中每个列都是一个训练示例。
D.【 √ 】 a 4 2 a^{2}_4 a42 是第2层，第4个神经元的激活输出。
E.【 √ 】 a 2 a^{2} a2 表示第2层的激活向量。
F.【 √ 】 a 2 ( 12 ) a^{2(12)} a2(12)是第2层，第12个数据的激活向量。
第二题
2.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
答案：
A.【 √ 】对
note：正如tanh所看到的，tanh的输出在-1和1之间，因此它将数据集中在一起，使得下一层的学习变得更加简单。
第三题
3.以下哪一个是层的正向传播的正确矢量化实现，其中 1 ≤ l ≤ L 1 \le l \le L 1≤l≤L
A. 【 】
Z l = W l A l + b l Z^{l}=W^{l}A^{l}+b^{l} Zl=WlAl+bl
A l + 1 = g l ( Z l ) A^{l+1}=g^{l}(Z^{l}) Al+1=gl(Zl)
B. 【 】
Z l = W l A l + b l Z^{l}=W^{l}A^{l}+b^{l} Zl=WlAl+bl
A l + 1 = g l + 1 ( Z l ) A^{l+1}=g^{l+1}(Z^{l}) Al+1=gl+1(Zl)
C. 【 】
Z l = W l − 1 A l + b l Z^{l}=W^{l-1}A^{l}+b^{l} Zl=Wl−1Al+bl
A l = g l ( Z l ) A^{l}=g^{l}(Z^{l}) Al=gl(Zl)
D. 【 】
Z l = W l A l − 1 + b l Z^{l}=W^{l}A^{l-1}+b^{l} Zl=WlAl−1+bl
A l = g l ( Z l ) A^{l}=g^{l}(Z^{l}) Al=gl(Zl)
答案：
D.【 √ 】
Z l = W l A l − 1 + b l Z^{l}=W^{l}A^{l-1}+b^{l} Zl=WlAl−1+bl
A l = g l ( Z l ) A^{l}=g^{l}(Z^{l}) Al=gl(Zl)
第四题
4.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
答案：
C.【 √ 】sigmoid
note：
- 来自sigmoid函数的输出值可以很容易地理解为概率。
- Sigmoid输出的值介于0和1之间，这使其成为二元分类的一个非常好的选择。 如果输出小于0.5，则可以将其归类为0，如果输出大于0.5，则归类为1。 它也可以用tanh来完成，但是它不太方便，因为输出在-1和1之间。
第五题
5.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)
答案：
D.【 √ 】shape = (4, 1)
note：我们使用（keepdims = True）来确保A.shape是（4,1）而不是（4，），它使我们的代码更加严格。
第六题
6.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。
答案：
A.【 √ 】第一个隐藏层中的每个神经元节点将执行相同的计算。 所以即使经过多次梯度下降迭代后，层中的每个神经元节点都会计算出与其他神经元节点相同的东西。
第七题
7.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
答案：
B.【 √ 】不对
note：
Logistic回归没有隐藏层。 如果将权重初始化为零，则Logistic回归中的第一个示例x将输出零，但Logistic回归的导数取决于不是零的输入x（因为没有隐藏层）。 因此，在第二次迭代中，如果x不是常量向量，则权值遵循x的分布并且彼此不同。
第八题
8.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。
答案：
D.【 √ 】这将导致tanh的输入也很大，因此导致梯度接近于零， 优化算法将因此变得缓慢。
note：tanh对于较大的值变得平坦，这导致其梯度接近于零。 这减慢了优化算法。
第九题
9.考虑以下1个隐层的神经网络：
A. 【 】 W 1 W^{1} W1的形状是(2, 4)
B. 【 】 b 1 b^{1} b1的形状是(4, 1)
C. 【 】 W 1 W^{1} W1的形状是(4, 2)
D. 【 】 b 1 b^{1} b1的形状是(2, 1)
E. 【 】 W 2 W^{2} W2的形状是(1, 4)
F. 【 】 b 2 b^{2} b2的形状是(4, 1)
G. 【 】 W 2 W^{2} W2的形状是(4, 1)
H. 【 】 b 2 b^{2} b2的形状是(1, 1)
答案：
B.【 √ 】 b 1 b^{1} b1的形状是(4, 1)
C.【 √ 】 W 1 W^{1} W1的形状是(4, 2)
E.【 √ 】 W 2 W^{2} W2的形状是(1, 4)
H.【 √ 】 b 2 b^{2} b2的形状是(1, 1)
第十题
10.在和上一问相同的网络中， Z 1 Z^{1} Z1和 A 1 A^{1} A1的维度是多少？
A. 【 】 Z 1 Z^{1} Z1和 A 1 A^{1} A1是(4,1)
B. 【 】 Z 1 Z^{1} Z1和 A 1 A^{1} A1是(1,4)
C. 【 】 Z 1 Z^{1} Z1和 A 1 A^{1} A1是(4,m)
D. 【 】 Z 1 Z^{1} Z1和 A 1 A^{1} A1是(4,2)
答案：
C.【 √ 】 Z 1 Z^{1} Z1和 A 1 A^{1} A1是(4,m)