1、神经元节点计算什么？
- 神经元节点先计算线性函数（z = Wx + b），再计算激活函数。
- 神经元节点先计算激活函数，再计算线性函数(z = Wx + b)。
- 神经元节点计算函数g，函数g计算(Wx + b)。
- 在将输出应用于激活函数之前，神经元节点计算所有特征的平均值。
2、下面哪一个是Logistic损失？
3、假设img是一个(32, 32, 3)数组，具有3个颜色通道：红色、绿色和蓝色的32x32像素的图像。 如何将其重新转换为列向量？
- x = img.reshape((3, 32 * 32))
- x = img.reshape((3, 32 * 32))
- x = img.reshape((32 * 32, 3))
- x = img.reshape((32 * 32 * 3, 1))
4、看一下下面的这两个随机数组“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请问数组c的维度是多少？
- c.shape = (2, 1)
- c.shape = (3, 2)
- 无法进行计算，因为大小不匹配。将会报错。
- c.shape = (2, 3)
5、看一下下面的这两个随机数组“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请问数组c的维度是多少？
- c.shape = (4, 2)
- c.shape = (4, 3)
- c.shape = (3, 3)
- 无法进行计算，因为大小不匹配。将会报错。
6、假设你的每一个实例有n_x个输入特征，想一下在
中，X的维度是多少？
- (1, m)
- (m, 1)
- (m, n_x)
- (n_x, m)
7、回想一下，np.dot(a，b) 在a和b上执行矩阵乘法，而 a * b 执行元素方式的乘法。 看下面的这两个随机数组“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)请问c的维度是多少？
- c.shape = (150,150)
- c.shape = (12288, 150)
- 无法进行计算，因为大小不匹配。将会报错。
- c.shape = (12288, 45)
8、看下面的代码片段：
# 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]请问要怎么把它们向量化？
- c = a.T + b.T
- c = a + b
- c = a + b.T
- c = a.T + b
9、看下面的代码：
a = np.random.randn(3, 3) b = np.random.randn(3, 1) c = a * b请问c的维度会是多少？
- 这里将会使用广播机制，b会被复制三次，就会变成(3, 3)，“*”代表对应元素乘法。因此c.shape将是（3，3）
- 这里将会使用广播机制，b会被复制三次，就会变成(3, 3)，“*”代表两个3x3矩阵的矩阵乘法运算。因此c.shape将是（3，3）
- 这里将会使3x3矩阵A与3x1矢量相乘，从而产生3x1矢量。因此c.shape将是（3，1）。
- 这里将会报错，因为不能使用“*”对这两个矩阵进行操作。需要使用np.dot（a，b）。
10、看下面的计算图：
请问输出是什么？
- J = (c - 1) * (b + a)
- J = (a - 1) * (b + c)
- J = a * b + b * c + a * c
- J = (b - 1) * (c + a)