前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Neural Network Basics习题解析

Neural Network Basics习题解析

作者头像
云水木石
发布2019-07-01 15:26:22
6000
发布2019-07-01 15:26:22
举报
文章被收录于专栏:大龄程序员的人工智能之路

昨天做完卷积神经网络习题,感觉自己都弄懂了,但到编程环节,却感觉无从下手,勉强参照示例代码完成编程任务,提交了好几次都没有通过,倍受打击。简单总结了一下原因:

  1. 对NumPy不熟悉,特别是涉及多维矩阵的运算,相关的函数及矩阵变换都不熟悉;
  2. 缺少复习与回顾,上课时感觉已经听懂,但仅仅限于老师所讲,并没有过多的思考,编程时场景稍微不同,就不知道如何应对。

所以决定还是从基础开始,再温习一下神经网络基础,并坚持做习题和编程练习(Neural Networks and Deep Learning是在网易云课堂上学习的,没有习题和编程题目)。这一周的课程是神经网络基础,其实主要还是讲Logistic回归,以及如何编程实现。

要完成本周的习题,需要对NumPy和矩阵运算比较熟悉。如果做题时不太确定答案是哪一个,可以将代码运行一下,就可以很清楚答案。比如我开始不太清楚矩阵的AxB运算和numpy.dot(A, B)有什么不同,实际运行之后才明白x运算是元素逐一相乘,而numpy.dot则是数学上的矩阵乘法运算。

闲话少说,下面就来逐个分析习题。

通常一个神经元就是对输入做线性运算,然后使用激活函数(sigmoid、tanh、ReLU等等)处理得到输出,所以答案是选项2。

这个应该没啥好说的,答案是选项2,课程中也简单说明了为什么会采用这样的损失函数。

列向量的第二轴的大小为1, 直接可以排除1、2、4选项,而且(32, 32, 3)的元素个数为32x32x3,很容易确定答案就是选项3。

这个就是python中的广播机制。b是列向量,会展开为(2, 3)的矩阵,结果也是shape为(2, 3)的矩阵,答案是选项1。

第一次我就错了这道题,虽然知道矩阵大小不等,会自动应用python中的广播机制。但什么情况下广播机制有效,不是很清楚,去查了一下资料:大小为1的轴(axis)才会应用广播机制。而本题中,两个矩阵大小不同,而且不同大小的轴并没有等于1的。所以实际上a和b是不相容的矩阵,无法按元素进行乘法运算。

执行这段代码,提示如下:

ValueError: operands could not be broadcast together with shapes (4,3) (3,2)

答案是选项2。

这个应该很容易理解,答案是选项4。

注意,这个和第5题不同,np.dot(a, b)进行的是数学上的矩阵乘法运算,矩阵乘法运算需要满足a的列数与b的行数相等,结果的shape为(a的行数,b的列数),所以答案是选项2。

这个实际上也涉及到python的广播机制,答案是选项4。

a*b做的是按元素进行乘法运算,如果两个矩阵shape不同,就需要判断能否应用广播机制,本题中b的shape为(3, 1),可以broadcasting后shape为(3, 3),所以答案是选项1。

这个只要具有基本的数学知识:

代码语言:javascript
复制
J = u + v - w = a*b + a*c - (b + c) = a * (b + c) - (b + c) = (a - 1) * (b + c)

所以答案是选项2。

最近更新文章:

  1. [卷积神经网络]课程:The basics of ConvNets习题解析
  2. 使用Tensorflow构建属于自己的图片分类器
  3. Python中的向量化编程
  4. 有了TensorFlow.js,浏览器中也可以实时人体姿势估计
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-05-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 云水木石 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
云课堂
云课堂聚焦教培机构 OMO 转型,为机构提供在线及混合式课堂解决方案,极速开课、多向互动、智能沉淀、一键分发,是教培课堂便捷、稳定的教学助手。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档