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 > x^{(i)<j>} x(i)<j>
B. x < i > ( j ) x^{<i>(j)} x<i>(j)
C. x ( j ) < i > x^{(j)<i>} x(j)<i>
D. x < j > ( i ) x^{<j>(i)} 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 T_x=T_y Tx=Ty
B. T x < T y T_x<T_y Tx<Ty
C. T x > T y T_x>T_y Tx>Ty
D. T x = 1 T_x=1 Tx=1
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 t t 时，这个RNN在做什么？
A.计算 P ( y < 1 > , y < 2 > , … , y < t − 1 > ) P(y^{<1>},y^{<2>},…,y^{<t-1>}) P(y<1>,y<2>,…,y<t−1>)
B.计算 P ( y < t > ) P(y^{<t>}) P(y<t>)
C.计算 P ( y < t > ∣ y < 1 > , y < 2 > , … , y < t − 1 > ) P(y^{<t>}∣y^{<1>},y^{<2>},…,y^{<t-1>}) P(y<t>∣y<1>,y<2>,…,y<t−1>)
D.计算 P ( y < t > ∣ y < 1 > , y < 2 > , … , y < t > ) P(y^{<t>}∣y^{<1>},y^{<2>},…,y^{<t>}) P(y<t>∣y<1>,y<2>,…,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 t 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 y ^ < t > hat{y}^{<t>} 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 y ^ < t > hat{y}^{<t>} 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 y ^ < t > hat{y}^{<t>} 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 y ^ < t > hat{y}^{<t>} 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， Γ u Gamma_u Γu 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 Γ u Gamma_u Γu 来简化GRU，即设置 Γ u = 1 Gamma_u=1 Γu=1 。贝蒂提出通过移除 Γ r Gamma_r Γr 来简化GRU，即设置 Γ r = 1 Gamma_r=1 Γr=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 Γ u Gamma_u Γu ），因为对于一个时间步而言，如果 Γ r ≈ 0 Gamma_rapprox0 Γr≈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 Γ u Gamma_u Γu ），因为对于一个时间步而言，如果 Γ r ≈ 1 Gamma_rapprox1 Γr≈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 Γ r Gamma_r Γr ），因为对于一个时间步而言，如果 Γ u ≈ 0 Gamma_uapprox0 Γu≈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 Γ r Gamma_r Γr ），因为对于一个时间步而言，如果 Γ u ≈ 1 Gamma_uapprox1 Γu≈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. Γ u Gamma_u Γu 与 1 − Γ u 1-Gamma_u 1−Γu
B. Γ u Gamma_u Γu 与 Γ r Gamma_r Γr
C. 1 − Γ u 1-Gamma_u 1−Γu 与 Γ u Gamma_u Γu
D. Γ r Gamma_r Γr 与 Γ u Gamma_u Γu
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 > x^{<1>},cdots,x^{<365>} 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 > y^{<1>},cdots,y^{<365>} 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 t 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 > , … , x ， 而 不 依 赖 于 x , … , x < 365 > y^{}的值仅依赖于x^{<1>},…,x^{}，而不依赖于x^{},…,x^{<365>} y的值仅依赖于x<1>,…,x，而不依赖于x,…,x<365>
D.单向RNN，因为 y 的 值 只 取 决 于 x y^{}的值只取决于x^{} 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
相关知识
1.13 总结
魔兽世界怀旧服1.13升级职业选什么
劲舞团各类卡P办法总结一览 高手卡P技巧经验分享
校园动态| 呵护青少年心灵成长 汇集心理健康大数据
宠物社团总结
年底总结
宠物医院实习总结
宠物病例总结
总结狗狗饲养中的健康管理策略总结
宠物服装 总结
网址: 1.13 总结 https://m.mcbbbk.com/newsview618658.html
| 上一篇: HTML静态网页成品作业(HTM |
下一篇: 小仓鼠毛发护理教程来啦～ |
