1.15 总结-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授
←上一篇 | ↓↑ | 下一篇→ |
---|---|---|
1.14 关于梯度检验实现的注记 | 回到目录 | 2.1 Mini-batch 梯度下降 |
总结
第 41 题
如果你有10,000,000个例子,你会如何划分训练/开发/测试集?
A.33%训练,33%开发,33%测试
B.60%训练,20%开发,20%测试
C.98%训练,1%开发,20%测试
第 42 题
开发和测试集应该:
A.来自同一分布
B.来自不同分布
C.完全相同(一样的(x, y)对)
D.数据数量应该相同
第 43 题
如果你的神经网络方差很高,下列哪个尝试是可能解决问题的?
A.添加正则项
B.获取更多测试数据
C.增加每个隐藏层的神经元数量
D.用更深的神经网络
E.用更多的训练数据
第 44 题
你正在为苹果,香蕉和橘子制作分类器。 假设您的分类器在训练集上有0.5%的错误,以及开发集上有7%的错误。 以下哪项尝试是有希望改善你的分类器的分类效果的?
A.增大正则化参数 λ\lambdaλ
B.减小正则化参数 λ\lambdaλ
C.获取更多训练数据
D.用更大的神经网络
第 45 题
什么是权重衰减?
A.正则化技术(例如L2正则化)导致梯度下降在每次迭代时权重收缩
B.在训练过程中逐渐降低学习率的过程
C.如果神经网络是在噪声数据下训练的,那么神经网络的权值会逐渐损坏
D.通过对权重值设置上限来避免梯度消失的技术
第 46 题
当你增大正则化的超参数 λ\lambdaλ 时会发生什么?
A.权重变小(接近0)
B.重量变大(远离0)
C.2倍的 λ\lambdaλ 导致2倍的权重
D.每次迭代,梯度下降采取更大的步距(与 λ\lambdaλ 成正比)
第 47 题
在测试时候使用dropout:
A.不随机关闭神经元,但保留1/keep_brob因子
B.随机关闭神经元,保留1/keep_brob因子
C.随机关闭神经元,但不保留1/keep_brob因子
D.不随机关闭神经元,也不保留1/keep_brob因子
第 48 题
将参数keep_prob从(比如说)0.5增加到0.6可能会导致以下情况(选出所有正确项):
A.正则化效应被增强
B.正则化效应被减弱
C.训练集的误差会增加
D.训练集的误差会减小
第 49 题
以下哪些技术可用于减少方差(减少过拟合)?(选出所有正确项)
A.梯度消失
B.数据扩充
C.Dropout
D.梯度检查
E.Xavier初始化
F.L2正则化
G.梯度爆炸
第 50 题
为什么要对输入 xxx 进行正则化?
A.让参数初始化更快
B.让代价函数更快地优化
C.更容易做数据可视化
D.是另一种正则化——有助减少方差
41-50题 答案
41.C 42.A 43.AE 44.AC 45.A 46.A 47.D 48.BD 49.BCF 50.B
←上一篇 | ↓↑ | 下一篇→ |
---|---|---|
1.14 关于梯度检验实现的注记 | 回到目录 | 2.1 Mini-batch 梯度下降 |
1.15 总结-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授相关推荐
- 吴恩达deeplearning.ai系列课程笔记+编程作业(6)第二课 改善深层神经网络-第二周:优化算法 (Optimization algorithms)
第二门课 改善深层神经网络:超参数调试.正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and ...
- 2.19 总结-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 2.18 Logistic 损失函数的解释 回到目录 3.1 神经网络概览 文章目录 总结 习题 第 11 题 第 12 题 第 13 题 第 14 题 第 15 题 第 1 ...
- 1.8 其他正则化方法-深度学习第二课《改善深层神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 1.7 理解 Dropout 回到目录 1.9 归一化输入 其他正则化方法 (Other Regularization Methods) 除了 L2L2L2 正则化和随机失活 ...
- 1.1 欢迎-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 无 回到目录 1.2 什么是神经网络 欢迎 第一个视频主要讲了什么是深度学习,深度学习能做些什么事情.以下是吴恩达老师的原话: 深度学习改变了传统互联网业务,例如如网络搜索和 ...
- 深度学习教程(6) | 神经网络优化算法(吴恩达·完整版)
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/35 本文地址:https://www.showmeai.tech/article-d ...
- 3.12 总结-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.11 随机初始化 回到目录 4.1 深层神经网络 文章目录 总结 习题 第 21 题 第 22 题 第 23 题 第 24 题 第 25 题 第 26 题 第 27 题 ...
- 3.5 向量化实现的解释-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.4 多个例子中的向量化 回到目录 3.6 激活函数 向量化实现的解释 (Explanation for Vectorized Implementation) 在上一个视频 ...
- 机器学习和深度学习到底怎么学?顶尖专家吴恩达告诉你
机器学习和深度学习到底怎么学? 在外国版知乎上,有位网友问:新手如何学习机器学习?学习完MOOC的课程后有没有能力阅读研究论文或者真正的做出一点研究成果? 这个困惑很多人的问题吴恩达给出了详细的回答, ...
- 3.10 直观理解反向传播-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.9 神经网络的梯度下降法 回到目录 3.11 随机初始化 直观理解反向传播 (Backpropagation Intuition (Optional)) 这个视频主要是推 ...
- 0.0 目录-深度学习第二课《改善神经网络》-Stanford吴恩达教授
文章目录 第五课 第四课 第三课 第二课 第一课 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
最新文章
- FPGA研发之道(25)-管脚
- 【算法+OpenCV】图像极坐标变换及基于OpenCV的实现
- iphone双卡_打开这个5G选项后:iPhone 12支持用蜂窝数据下载iOS更新|ios|iphone|应用程序|wi-fi...
- C# 10 新特性 —— 插值字符串优化
- rabbitmq channel参数详解【转】
- Android开发(1) | Fragment 的应用——新闻应用
- SAP 导出 HTML,【我sap这导出数据表格export.mhtml怎么转换为 excel 工作表.xlsx】excel生成html表格数据...
- ps -ef |grep
- python函数运行没有结果_python之函数
- ubuntu下启动、停止、重启apache2
- 【软件工程】——软工视频总结
- 2019年7-9月新发布的主流手机品牌型号参数
- DDOS学习+网络钓鱼+验证码攻击
- 我的世界热力膨胀JAVA_我的世界TE4教程热力膨胀能源炉的合成与使用数据
- python 马赛克拼图_用Python和OpenCV实现照片马赛克拼图(蒙太奇照片)
- 通过两台交换机级联来连接多台设备
- cad角度命令怎么输入_新手入门,学习CAD必须掌握,教你使用标注命令,绘图效率翻一倍...
- Python sklearn机器学习各种评价指标——Sklearn.metrics简介及应用示例
- Leetcode初级算法
- EDM营销中老外眼中的常见垃圾邮件关键词
热门文章
- LiberOJ #6210. 「美团 CodeM 决赛」tree 树形DP
- redis数据库入门
- SqlSugar-事务操作
- ios中利用NSDateComponents、NSDate、NSCalendar判断当前时间是否在一天的某个时间段内。...
- RAC分解步骤之一,在oracle linux 4u4上安装oracle 10.2.0.1.0操作日志
- AS3.0中is,as运算符
- powerDesiger uml class
- 特殊的IP地址与端口
- 脑与神经科学3 脑神经影像上
- VC++ _T()宏学习