1、以下哪一项是正确的？
-
是第2个训练样本第12层的激活输出向量。 - X是一个矩阵，其中每一行都是一个训练样本。
-
是第4个训练样本第2层的激活输出值。 - 是第2层第4个神经元的激活输出值。
-
是第2层的激活向量。 - 是第12个训练样本第2层的激活输出向量。
- X是一个矩阵，其中每一列都是一个训练样本。
2、tanh激活函数通常比隐藏层单元的sigmoid激活函数效果更好，因为其输出的平均值更接近于零，因此它将数据集中，这对于下一层是更好的选择，请问正确吗？
- 正确
tanh的输出介于-1和1之间，因此它将数据集中起来，使下一层的学习更加简单。
- 错误
3、其中哪一个是第 l 层向前传播的正确向量化实现，其中1 ≤ l ≤ L
-
A.
-
B.
-
C.
-
D.
4、你正在构建一个识别黄瓜（y = 1）与西瓜（y = 0）的二元分类器。 你会推荐哪一种激活函数用于输出层？
- ReLU
- Leaky ReLU
- sigmoid
sigmoid输出一个介于0和1之间的值，这使得它成为二进制分类的一个很好的选择。 如果输出小于0.5，可以分类为0；如果输出大于0.5，可以分类为1。 也可以用tanh来完成，但由于tanh输出介于-1和1之间，所以不太方便。
- tanh
5、看下面的代码：
A = np.random.randn(4,3) B = np.sum(A, axis = 1, keepdims = True)请问B.shape的值是多少?(可以打开python实验)
- (4,)
- (1, 3)
- (, 3)
- (4, 1)
我们使用（keepdims=true）来确保A.shape是（4,1）而不是（4，）。这使我们的代码更加严谨。
6、假设你已经建立了一个神经网络, 你决定将权重和偏差初始化为零。以下哪项陈述是正确的？
- 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内容。
- 第一个隐藏层中的每个神经元将在第一次迭代中执行相同的计算。 但经过一次梯度下降迭代后，他们将学会计算不同的内容，因为我们已经“破坏了对称性”。
- 第一个隐藏层中的每一个神经元都会计算出相同的内容，但是不同层的神经元会计算不同的内容，因此我们已经完成了“对称破坏”。
- 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， 他们的参数将以各自的方式不断发展。
7、Logistic回归的权重w应该随机初始化，而不是全零，因为如果初始化为全零，那么逻辑回归将无法学习到有用的决策边界，因为它将无法“破坏对称性”，是正确的吗？
- 正确
- 错误
逻辑回归没有隐藏层。如果将权重初始化为零，输入第一个样本x，模型将输出零。 但逻辑回归的导数取决于输入x（因为没有隐藏层），并且输入x不是零。 所以在第二次迭代中，权重W值遵循x的分布，并且如果x不是一个常数向量，那么它们(w1,w2,...)之间是不同的。
8、你已经为所有隐藏单元使用tanh激活建立了一个网络。 使用np.random.randn（..，..）* 1000 将权重初始化为相对较大的值。 会发生什么？
- 这将导致tanh的输入也非常大，因此导致梯度也变大。因此，你必须将α设置得非常小以防止发散; 这会减慢学习速度。
- 这会导致tanh的输入也非常大，导致单位被“高度激活”，从而加快了学习速度，而权重必须从小数值开始。
- 这没关系。只要随机初始化权重，梯度下降不受权重大小的影响。
- 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。
对于较大的值，tanh的图案变得平滑，将导致其梯度接近于零。这会减慢优化算法的速度。
9、看下面的单隐层神经网络
- W[1] 的维度是 (2, 4)
- b[1] 的维度是 (4, 1)
- W[1] 的维度是 (4, 2)
- b[1] 的维度是 (2, 1)
- W[2] 的维度是 (1, 4)
- b[2] 的维度是 (4, 1)
- W[2] 的维度是 (4, 1)
- b[2] 的维度是 (1, 1)
10、在和上一个相同的网络中，Z[1] 和 A[1]的维度是多少？
- Z[1] 和 A[1] 的维度都是 (4, 1)
- Z[1] 和 A[1] 的维度都是 (1, 4)
- Z[1] 和 A[1] 的维度都是 (4, m)
m为样本数
- Z[1] 和 A[1] 的维度都是 (4, 2)