4.12 总结-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
| ←上一篇 | ↓↑ | 下一篇→ |
|---|---|---|
| 4.11 一维到三维推广 | 回到目录 | 1.1 为什么选择序列模型（第五课） |
总结
习题
第 131 题
面部验证只需要将新图片与1个人的面部进行比较，而面部识别则需要将新图片与K个人的面部进行比较。
A.正确 B.错误
第 132 题
在人脸验证中函数d(img1,img2)起什么作用？
A.只需要给出一个人的图片就可以让网络认识这个人
B.为了解决一次学习的问题
C.这可以让我们使用softmax函数来学习预测一个人的身份，在这个单元中分类的数量等于数据库中的人的数量加1
D.鉴于我们拥有的照片很少，我们需要将它运用到迁移学习中
第 133 题
为了训练人脸识别系统的参数，使用包含了10万个不同的人的10万张图片的数据集进行训练是合理的。
A.正确 B.错误
第 134 题
下面哪个是三元组损失的正确定义（请把 α\alphaα 也考虑进去）？
A. max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α,0)max(||f(A)-f(P)||^2-||f(A)-f(N)||^2+\alpha,0)max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α,0)
B. max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2+α,0)max(||f(A)-f(N)||^2-||f(A)-f(P)||^2+\alpha,0)max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2+α,0)
C. max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2−α,0)max(||f(A)-f(N)||^2-||f(A)-f(P)||^2-\alpha,0)max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2−α,0)
D. max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2−α,0)max(||f(A)-f(P)||^2-||f(A)-f(N)||^2-\alpha,0)max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2−α,0)
第 135 题
在下图中的孪生卷积网络(Siamese network)结构图中
上下两个神经网络拥有不同的输入图像，但是其中的网络参数是完全相同的
A.正确 B.错误
第 136 题
你在一个拥有100种不同的分类的数据集上训练一个卷积神经网络，你想要知道是否能够找到一个对猫的图片很敏感的隐藏节点（即在能够强烈激活该节点的图像大多数都是猫的图片的节点），你更有可能在第4层找到该节点而不是在第1层更有可能找到。
A.正确 B.错误
第 137 题
神经风格转换被训练为有监督的学习任务，其中的目标是输入两个图像 (x)，并训练一个能够输出一个新的合成图像(y)的网络
A.正确 B.错误
第 138 题
在一个卷积网络的深层，每个通道对应一个不同的特征检测器，风格矩阵 G[l]G^{[l]}G[l] 度量了 lll 层中不同的特征探测器的激活（或相关）程度
A.正确 B.错误
第 139 题
在神经风格转换中，在优化算法的每次迭代中更新的是什么？
A.神经网络的参数
B.生成图像G的像素值
C.正则化参数
D.内容图像C的像素值
第 140 题
你现在用拥有的是3D的数据，现在构建一个网络层，其输入的卷积是32×32×32×1632×32×32×16（此卷积有16个通道），对其使用3232个3×3×33×3×3的过滤器（无填充，步长为1）进行卷积操作，请问输出的卷积是多少？
A.30×30×30×32
B.不能操作，因为指定的维度不匹配，所以这个卷积步骤是不可能执行的
C.30×30×30×16
131-140题 答案
131.A 132.AB 133.B 134.A 135.A 136.A 137.B 138.A 139.B 140.A
4.12 总结-深度学习第四课《卷积神经网络》-Stanford吴恩达教授相关推荐
- 深度学习第四课——卷积神经网络（week 1）
目录 一.前言 1.1 卷积 1.2 其他滤波器 1.3 Padding 1.3.1 解释 1.3.2 填充多少像素的选择 1.4 卷积步长 1.5 三维卷积 1.6 单层卷积网络 1.7 深度卷积神 ...
- 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 ...
- 4.11 一维到三维推广-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 4.10 风格代价函数 回到目录 4.12 总结 一维到三维推广 (1D and 3D Generalizations of Models) 你已经学习了许多关于卷积神经网络 ...
- 4.1 什么是人脸识别-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.11 总结 回到目录 4.2 One-Shot 学习 什么是人脸识别 (What is face recognition?) 欢迎来到第四周,即这门课卷积神经网络课程的最 ...
- 1.8 简单卷积网络示例-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 1.7 单层卷积网络 回到目录 1.9 池化层 简单卷积网络示例 (A Simple Convolution Network Example) 上节课,我们讲了如何为卷积网络 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
最新文章
- Delphi开发的IOCP测试Demo以及使用说明。
- JavaScript系列----面向对象的JavaScript(2)
- WINCE6.0在应用程序中调用控制面板的应用
- Boost::context模块callcc的回溯测试程序
- 关于SAP成都研究院的一些微信公众号文章
- list 排序_十个必知的排序算法|Python实例系列
- ssh连接失败，排错经验
- NP、OSPF路由聚合
- centos下valgrind的安装与使用
- Java RMI原理与使用
- 百变人脸，趣味容颜，ALAE 人脸玩出新高度！
- Vue实战笔记(一) 引入Ant Design
- 金蝶K3即时库存成本计算逻辑是什么？
- 【社招】 中/高级C++ Developer - 美国顶尖交易公司Akuna Capital–上海
- SQL*Plus 系统变量之36 - PAGES[IZE]
- Mysql 实现多种逻辑删除方案
- dedecms网站后台密码修改方法
- 日记侠：你的文章为什么阅读量会那么高？
- java删除奇数文件_P041 删除ASCII值为奇数的字符 ★★
- HBase集群出现NotServingRegionException问题的排查及解决方法