课程2_第1周_测验题

目录：目录

第一题

1.如果你有10,000,000个例子，你会如何划分训练/验证/测试集？

A. 【  】33%训练，33%验证，33%测试

B. 【  】60%训练，20%验证，20%测试

C. 【  】98%训练，1%验证，20%测试

答案：

C.【 √ 】98%训练，1%验证，20%测试

第二题

2.验证集和测试集应该：

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

答案：

A.【 √ 】来自同一分布

第三题

3.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

答案：

A.【 √ 】添加正则项

E.【 √ 】用更多的训练数据

第四题

4.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，以及验证集上有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$\lambda$

B. 【  】减小正则化参数$\lambda$

C. 【  】获取更多训练数据

D. 【  】用更大的神经网络

答案：

A.【 √ 】增大正则化参数$\lambda$

C.【 √ 】获取更多训练数据

第五题

5.什么是权重衰减？

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

答案：

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

第六题

6.当你增大正则化的超参数$\lambda$时会发生什么？

A. 【  】权重变小（接近0）

B. 【  】权重变大（远离0）

C. 【  】2倍的$\lambda$导致2倍的权重

D. 【  】每次迭代，梯度下降采取更大的步距（与$\lambda$成正比）

答案：

A.【 √ 】权重变小（接近0）

第七题

7.在测试时候使用dropout：

A. 【  】不随机关闭神经元，但在训练中使用的计算中保留1 / keep_prob因子

B. 【  】随机关闭神经元，在训练中使用的计算中保留1 / keep_prob因子

C. 【  】随机关闭神经元，但不要在训练中使用的计算中保留1 / keep_prob因子

D. 【  】不随机关闭神经元，也不要在训练中使用的计算中保留1 / keep_prob因子

答案：

D.【 √ 】不随机关闭神经元，也不要在训练中使用的计算中保留1 / keep_prob因子

第八题

8.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

答案：

B.【 √ 】正则化效应被减弱

D.【 √ 】训练集的误差会减小

第九题

9.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

答案：

B.【 √ 】数据扩充

C.【 √ 】Dropout

F.【 √ 】L2正则化

第十题

10.为什么要对输入$x$进行归一化？

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

答案：

B.【 √ 】让代价函数更快地优化