【改善深度神经网络】Hyperparameter tuning，Programming Frameworks习题解

这是[改善深度神经网络]课程第三周的习题，一共10道。

解答：

这个在课程的开始就讲到了，应该随机选取超参数的值。

答案是False

解答：

超参数的重要程度并不相同，比如学习率通常具有较高的重要程度。

所以答案是False

解答：

同时训练多个模型需要更高的算力，否则还是调优一个模型。

答案选项3

解答：

beta的选择最好是非线性，可以排除1和2，选项3如果r=0, beta=-9，如果r=0, beta=0，错误取值。

所以选选项2

解答：

超参数很难一次就选择对，通常是在不断迭代中找到最优。

答案False

解答：

虽然学术上对a[l]还是z[l]正规化还存在争论，但在本课程中推荐z[l]。

答案是选项2

解答：

加入一个很小的epsilon是为了避免除以0。

答案选项1

解答：

beta和r和权重一样，可以通过递归学习而来，而且不同层的beta和r并不同，也不存在一个固定的优化值。

答案为选项2、3

解答：

在测试阶段，没有足够的数据进行批量正规化，应该选取一个预估值，这个预估值通常根据训练阶段的值进行计算。

答案选项4

解答：

采用深度学习框架，可以减少编码量，但并不一定需要云主机来运行。

答案为选项1、2。