[人工智能]【吴恩达deeplearning.ai】Course 5 - 1.13 总结

总结

习题

第 141 题

假设你的训练样本是句子(单词序列)，下面哪个选项指的是第i个训练样本中的第j个词?

A.$x^{(i)<j>}$
B.$x^{<i>(j)}$
C.$x^{(j)<i>}$
D.$x^{<j>(i)}$

第 142 题

看一下下面的这个循环神经网络：

在下面的条件中，满足上图中的网络结构的参数是：

A.$T_x=T_y$

B.$T_x<T_y$

C.$T_x>T_y$

D.$T_x=1$

第 143 题

这些任务中的哪一个会使用多对一的RNN体系结构？

A.语音识别（输入语音，输出文本）

B.情感分类（输入一段文字，输出0或1表示正面或者负面的情绪）

C.图像分类（输入一张图片，输出对应的标签）

D.人声性别识别（输入语音，输出说话人的性别）

第 144 题

假设你现在正在训练下面这个RNN的语言模型：

在 $t$时，这个RNN在做什么？

A.计算$P(y^{<1>},y^{<2>},\dots ,y^{<t?1>})$
B.计算$P(y^{<t>})$
C.计算$P(y^{<t>}\mid y^{<1>},y^{<2>},\dots ,y^{<t?1>})$
D.计算$P(y^{<t>}\mid y^{<1>},y^{<2>},\dots ,y^{<t>})$

第 145 题

你已经完成了一个语言模型RNN的训练，并用它来对句子进行随机取样，如下图：

在每个时间步 $t$ 都在做什么？

A.(1)使用RNN输出的概率，选择该时间步的最高概率单词作为${\hat{y}}^{<t>}$，(2)然后将训练集中的正确的单词传递到下一个时间步

B.(1)使用由RNN输出的概率将该时间步的所选单词进行随机采样作为${\hat{y}}^{<t>}$，(2)然后将训练集中的实际单词传递到下一个时间步

C.(1)使用由RNN输出的概率来选择该时间步的最高概率词作为${\hat{y}}^{<t>}$，(2)然后将该选择的词传递给下一个时间步

D.(1)使用RNN该时间步输出的概率对单词随机抽样的结果作为${\hat{y}}^{<t>}$，(2)然后将此选定单词传递给下一个时间步

第 146 题

你正在训练一个RNN网络，你发现你的权重与激活值都是“NaN”，下列选项中，哪一个是导致这个问题的最有可能的原因？

A.梯度消失

B.梯度爆炸

C.ReLU函数作为激活函数g(.)，在计算g(z)时，z的数值过大了

D.Sigmoid函数作为激活函数g(.)，在计算g(z)时，z的数值过大了

第 147 题

假设你正在训练一个LSTM网络，你有一个10,000词的词汇表，并且使用一个激活值维度为100的LSTM块，在每一个时间步中， ${\Gamma }_u$ 的维度是多少？

A.1

B.100

C.300

D.10000

第 148 题

这里有一些GRU的更新方程：

爱丽丝建议通过移除 ${\Gamma }_u$来简化GRU，即设置 ${\Gamma }_u=1$。贝蒂提出通过移除 ${\Gamma }_r$ 来简化GRU，即设置 ${\Gamma }_r=1$。哪种模型更容易在梯度不消失问题的情况下训练，即使在很长的输入序列上也可以进行训练？

A.爱丽丝的模型（即移除 ${\Gamma }_u$ ），因为对于一个时间步而言，如果 ${\Gamma }_r\approx 0$，梯度可以通过时间步反向传播而不会衰减。

B.爱丽丝的模型（即移除 ${\Gamma }_u$ ），因为对于一个时间步而言，如果 ${\Gamma }_r\approx 1$，梯度可以通过时间步反向传播而不会衰减。

C.贝蒂的模型（即移除 ${\Gamma }_r$ ），因为对于一个时间步而言，如果 ${\Gamma }_u\approx 0$，梯度可以通过时间步反向传播而不会衰减。

D.贝蒂的模型（即移除 ${\Gamma }_r$ ），因为对于一个时间步而言，如果 ${\Gamma }_u\approx 1$，梯度可以通过时间步反向传播而不会衰减。

第 149 题

这里有一些GRU和LSTM的方程：

从这些我们可以看到，在LSTM中的更新门和遗忘门在GRU中扮演类似___与___的角色，空白处应该填什么？

A. ${\Gamma }_u$ 与 $1?{\Gamma }_u$
B. ${\Gamma }_u$ 与 ${\Gamma }_r$
C. $1?{\Gamma }_u$ 与 ${\Gamma }_u$
D. ${\Gamma }_r$ 与 ${\Gamma }_u$

第 150 题

你有一只宠物狗，它的心情很大程度上取决于当前和过去几天的天气。你已经收集了过去365天的天气数据 $x^{<1>},?,x^{<365>}$，这些数据是一个序列，你还收集了你的狗心情的数据 $y^{<1>},?,y^{<365>}$，你想建立一个模型来从x到y进行映射，你应该使用单向RNN还是双向RNN来解决这个问题？

A.双向RNN，因为在 $t$ 日的情绪预测中可以考虑到更多的信息。

B.双向RNN，因为这允许反向传播计算中有更精确的梯度。

C.单向RNN，因为y的值仅依赖于 $x^{<1>},\dots ,x$ ，而不依赖于$x,\dots ,x^{<365>}$

D.单向RNN，因为y的值只取决于 $x$，而不是其他天的天气。

141-150题 答案

141.A 142.A 143.BD 144.C 145.D 146.B 147.B 148.C 149.A 150.C