sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第二周测验
课程1_第2周_测验题
目录：目录
第一题
1.神经元计算什么？
A. 【 】神经元计算激活函数后，再计算线性函数（z=Wx+b）
B. 【 】神经元计算一个线性函数（z=Wx+b），然后接一个激活函数
C. 【 】神经元计算一个函数g，它线性地缩放输入x（Wx+b）
D. 【 】神经元先计算所有特征的平均值，然后将激活函数应用于输出
答案：
B.【 √ 】神经元计算一个线性函数（z=Wx+b），然后接一个激活函数
第二题
2.以下哪一个是逻辑回归的损失函数？
A. 【 】 L ( i ) ( y ^ ( i ) , y ( i ) ) = ∣ y ( i ) − y ^ ( i ) ∣ L^{(i)}(\hat{y}^{(i)},y^{(i)})=|y^{(i)} - \hat{y}^{(i)}| L(i)(y^(i),y(i))=∣y(i)−y^(i)∣
B. 【 】 L ( i ) ( y ^ ( i ) , y ( i ) ) = m a x ( 0 , y ( i ) − y ^ ( i ) ) L^{(i)}(\hat{y}^{(i)},y^{(i)})=max(0,y^{(i)} - \hat{y}^{(i)}) L(i)(y^(i),y(i))=max(0,y(i)−y^(i))
C. 【 】 L ( i ) ( y ^ ( i ) , y ( i ) ) = ∣ y ( i ) − y ^ ( i ) ∣ 2 L^{(i)}(\hat{y}^{(i)},y^{(i)})=|y^{(i)} - \hat{y}^{(i)}|^2 L(i)(y^(i),y(i))=∣y(i)−y^(i)∣2
D. 【 】 L ( i ) ( y ^ ( i ) , y ( i ) ) = − ( y ( i ) l o g ( y ^ ( i ) ) + ( 1 − y ( i ) ) l o g ( 1 − y ^ ( i ) ) ) L^{(i)}(\hat{y}^{(i)},y^{(i)})=-(y^{(i)}log(\hat{y}^{(i)})+(1-y^{(i)})log(1-\hat{y}^{(i)})) L(i)(y^(i),y(i))=−(y(i)log(y^(i))+(1−y(i))log(1−y^(i)))
答案：
D.【 √ 】 L ( i ) ( y ^ ( i ) , y ( i ) ) = − ( y ( i ) l o g ( y ^ ( i ) ) + ( 1 − y ( i ) ) l o g ( 1 − y ^ ( i ) ) ) L^{(i)}(\hat{y}^{(i)},y^{(i)})=-(y^{(i)}log(\hat{y}^{(i)})+(1-y^{(i)})log(1-\hat{y}^{(i)})) L(i)(y^(i),y(i))=−(y(i)log(y^(i))+(1−y(i))log(1−y^(i)))
第三题
3.假设img是一个（32, 32, 3）数组，表示一个32x32图像，它有三个颜色通道：红色、绿色和蓝色。如何将其重塑为列向量？
A. 【 】x = img.reshape((1, 32 * 32, 3))
B. 【 】x = img.reshape((32 * 32 * 3, 1))
C. 【 】x = img.reshape((3, 32 * 32))
D. 【 】x = img.reshape((32 * 32, 3))
答案：
B.【 √ 】x = img.reshape((32 * 32 * 3, 1))
第四题
4.考虑以下两个随机数组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
c的维度是什么？
A. 【 】c.shape = (3, 2)
B. 【 】c.shape = (2, 1)
C. 【 】c.shape = (2, 3)
D. 【 】计算不成立因为这两个矩阵维度不匹配
答案：
C.【 √ 】c.shape = (2, 3)
第五题
5.考虑以下两个随机数组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
c的维度是什么？
A. 【 】c.shape = (4, 3)
B. 【 】c.shape = (3, 3)
C. 【 】c.shape = (4, 2)
D. 【 】计算不成立因为这两个矩阵维度不匹配
答案：
D.【 √ 】计算不成立因为这两个矩阵维度不匹配
Note：运算符 “*” 说明了按元素乘法来相乘，但是元素乘法需要两个矩阵之间的维数相同，所以这将报错，无法计算。
第六题
6.假设每个示例有 n x n_x nx个输入特性， X = [ X ( 1 ) ， X ( 2 ) … , X ( m ) ] X=[X^{(1)}，X^{(2)}…,X^{(m)}] X=[X(1)，X(2)…,X(m)]。 X X X的维数是多少？
A. 【 】(m, 1)
B. 【 】(1, m)
C. 【 】( n x n_x nx, m)
D. 【 】(m, n x n_x nx)
答案：
C.【 √ 】( n x n_x nx, m)
第七题
7.np.dot(a，b)对a和b的进行矩阵乘法，而a * b执行元素的乘法，考虑以下两个随机数组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)
c的维度是什么？
A. 【 】c.shape = (12288, 150)
B. 【 】c.shape = (150, 150)
C. 【 】c.shape = (12288, 45)
D. 【 】计算不成立因为这两个矩阵维度不匹配
答案：
C.【 √ 】c.shape = (12288, 45)
第八题
8.请考虑以下代码段：
#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]
如何将之矢量化？
A. 【 】c = a + d
B. 【 】c = a +b.T
C. 【 】c = a.T + b.T
D. 【 】c = a.T + b
答案：
B.【 √ 】c = a +b.T
Note：a的每一行元素，逐行相加b的每一行元素
第九题
9.请考虑以下代码段：
a = np.random.randn(3, 3)
b = np.random.randn(3, 1)
c = a * b
c的维度是什么？
A. 【 】这会触发广播机制，b会被复制3次变成(3, 3)，而 * 操作是元素乘法，所以c.shape = (3, 3)
B. 【 】这会触发广播机制，b会被复制3次变成(3, 3)，而 * 操作是矩阵乘法，所以c.shape = (3, 3)
C. 【 】这个操作将一个3x3矩阵乘以一个3x1的向量，所以c.shape = (3, 1)
D. 【 】这个操作会报错，因为你不能用 * 对这两个矩阵进行操作，你应该用np.dot(a, b)
答案：
A.【 √ 】这会触发广播机制，b会被复制3次变成(3,3)，而 * 操作是元素乘法，所以c.shape = (3, 3)
第十题
10.请考虑以下计算图：
输出J是？
A. 【 】J = (c - 1) * (b + a)
B. 【 】J = (a - 1) * (b + c)
C. 【 】J = a * b + b * c + a * c
D. 【 】J = (b - 1) * (c + a)
答案：
B.【 √ 】J = (a - 1) * (b + c)