網易雲課堂-深度學習工程師微專業
第2周測驗 - 神經網路基礎
1.神經元節點計算什麼？
【 】神經元節點先計算啟用函式，再計算線性函式(z = wx + b)
【★】神經元節點先計算線性函式（z = wx + b），再計算啟用。
【 】神經元節點計算函式g，函式g計算(wx + b)。
【 】在 將輸出應用於啟用函式之前，神經元節點計算所有特徵的平均值
請注意：神經元的輸出是a = g（wx + b），其中g是啟用函式（sigmoid，tanh，relu，…）。
2.假設img是乙個（32,32,3）陣列，具有3個顏色通道：紅色、綠色和藍色的32x32畫素的影象。 如何將其重新轉換為列向量？
x = img.reshape((32 * 32 * 3, 1))a = np.random.randn(2, 3) # a.shape = (2, 3)
b = np.random.randn(2, 1) # b.shape = (2, 1)
c = a + b
答： b（列向量）複製3次，以便它可以和a的每一列相加，所以：c.shape = (2, 3)
4.看一下下面的這兩個隨機數組「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
答：運算子 「*」 說明了按元素乘法來相乘，但是元素乘法需要兩個矩陣之間的維數相同，所以這將報錯，無法計算。
5.假設你的每乙個例項有n_x個輸入特徵，想一下，在x=[x^(1), x^(2)…x^(m)]中，x的維度是多少？
答： (n_x, m)
6.看一下下面的這兩個隨機數組「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)
答： c.shape = (12288, 45), 這是乙個簡單的矩陣乘法例子。
7.看一下下面的這個**片段：
# 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]
請問要怎麼把它們向量化？
答：c = a + b.t
8.看一下下面的**：
a = np.random.randn(3, 3)
b = np.random.randn(3, 1)
c = a * b
請問c的維度會是多少？
答：這將會使用廣播機制，b會被複製三次，就會變成(3,3)，再使用元素乘法。所以： c.shape = (3, 3).
9.看一下下面的計算圖：
j = u + v - w
= a * b + a * c - (b + c)
= a * (b + c) - (b + c)
= (a - 1) * (b + c)
答: (a - 1) * (b + c)
吳恩達深度學習第3周測驗 淺層神經網路
第3周測驗 淺層神經網路 1.以下哪一項是正確的？x是乙個矩陣，其中每個列都是乙個訓練示例。a 2 4a4 2 是第二層第四層神經元的啟用的輸出。a 2 12 a 2 12 表示第二層和第十二層的啟用向量。a 2 a 2 表示第二層的啟用向量。注意 如果您不熟悉本課程所使用的符號，請 戳我。2.ta...
吳恩達深度學習第2課第1周（上）
1.1資料分集 將所有的訓練劃分為3個集 訓練集，驗證集，測試集 驗證集 迭代選擇出最優的幾個演算法 測試集如果不需要做無偏估計時，可省略 資料量小622 73 開 大時可以 98 1 1 或者 99.5 0.4 0.1 開 無偏估計，驗證你的資料是否遵循同乙個分布 1.2 方差，偏差 在神經網路中...
DeepLearning 吳恩達深度學習第三課筆記
orthogonalization 正交化 乙個調整只帶來乙個方面的影響 評價標準 1 optimizing n 1 satisficing training set dev set test set dev開發集和test測試集來自同樣的分布 樣本劃分 小樣本100 10000 70 30 或者 ...