1、如果你有10,000,000个例子，你会如何划分训练/开发/测试集？
- 训练集占33%，验证集占33%，测试集占33%.
- 训练集占60%，验证集占20%，测试集占20%.
- 训练集占98%，验证集占1%，测试集占1%.
2、开发和测试集应该：
- 来自同一分布
- 来自不同分布
- 每对数据(x,y)彼此相同
- 有相同数量的实例
3、
如果你的神经网络模型似乎有很高的【偏差】，下列哪个尝试是可能解决问题的？
- 添加正则化
- 获取更多的测试数据
- 增加每个隐藏层中的神经元个数
- 加深神经网络
- 获取更多的训练数据
如果你的神经网络模型似乎有很高的【方差】，下列哪个尝试是可能解决问题的？
- 添加正则化
- 获取更多的测试数据
- 增加每个隐藏层中的神经元个数
- 加深神经网络
- 获取更多的训练数据
4、你在一家超市的自动结帐亭工作，正在为苹果，香蕉和橘子制作分类器。 假设您的分类器在训练集上有0.5％的错误，以及验证集上有7％的错误。 以下哪项尝试是有希望改善你的分类器的分类效果的？
- 增大正则化参数lambda
- 减小正则化参数lambda
- 获取更多的训练数据
- 用一个更大的神经网络
5、什么是权重衰减？
- 一种正则化技术（如L2正则化），使得每次迭代时，权重都缩小。
- 训练过程中逐渐降低学习率的过程。
- 权重的逐渐损坏，如果神经网络是在有噪声的数据上训练的。
- 通过对权重值施加一个上限来避免梯度消失的一种技术。
6、当你增加正则化超参数lambda时会发生什么？
- 权重会变得更小（接近0）
- 权重会变得更大（远离0）
- 加倍lambda会粗略地导致权重加倍
- 梯度下降在每次迭代中采取更大的步距（与lambda成比例）
7、利用Inverted-dropout技术，在测试的时候：
- 使用dropout（随机失活神经元），不保留训练过程计算中使用过的1/keep-prob因子。
- 使用dropout（随机失活神经元），保留训练过程计算中使用过的1/keep-prob因子。
- 不使用dropout（不随机失活神经元），保留训练过程计算中使用过的1/keep-prob因子。
- 不使用dropout（不随机失活神经元），不保留训练过程计算中使用过的1/keep-prob因子。
8、将参数keep_prob从（比如说）0.5增加到0.6可能会导致以下情况
- 增强正则化效应。
- 减弱正则化效应。
- 使神经网络以较大的训练集误差结束
- 使神经网络以较小的训练集误差结束
9、以下哪些技术可用于减少方差（减少过拟合）：
- Xavier初始化
- 数据增强
- 梯度检查
- 梯度爆炸
- L2 正则化
- 梯度消失
- Dropout
10、为什么我们要归一化输入x？
- 使参数初始化更快
- 使成本函数更快地进行优化
- 有助于减少方差，归一化是正则化(regularization)的另一个词
- 使数据更容易可视化