吴恩达 第3周第四周一些测试题目

---

一、第三周

参考此博客，有中文和英文题目和答案

1、关于初始化权重和b为0的问题

Logistic回归的权重w应该随机初始化，而不是全零，因为如果初始化为全零，那么逻辑回归将无法学习到有用的决策   		
边界，因为它将无法“破坏对称性”，是正确的吗？
A.True
B.False

答案：B
因为：
Logistic回归没有隐藏层。 如果将权重初始化为零，则Logistic回归中的第一个示例x将输出零，但Logistic回归的导数取决于不是零的输入x（因为没有隐藏层）。 因此，在第二次迭代中，如果x不是常量向量，则权值遵循x的分布并且彼此不同。
看视频我们可以得：dW=dz x
他没有隐藏层，dw取决于x 所以不同的x得到的权重会不同，所以没关系。
但是对于有隐藏层的神经网络就不可以初始化为0了，因为反向传播时取决于da,因为神经元做一样的工作，导致da同，所以即使迭代多次，层中的每个神经元节点都会计算出与其他神经元节点相同的东西。

二、第四周

1 、层间for循环

1、向量化允许您在L层神经网络中计算前向传播，而不需要在层(l = 1,2，…，L)上显式的使用for-loop（或任何其他显式	
迭代循环），正确吗？

A 正确
B 错误

答案：B 在层间，我们不可避免地必须使用for循环来向前迭代。

2、w和b初始化

2、假设我们将n^ [l]的值存储在名为layers的数组中，如下所示：layer_dims = [n_x,4,3,2,1]。 		
因此，第1层有四个隐藏单元，第2层有三个隐藏单元，依此类推。 您可以使用哪个for循环初始化模型参数？

答案：吴老师视频中有讲
w[L] : (n[L], n[L-1])
b[L]: ( n[L], 1)

for(i in range(1, len(layer_dims))):
  parameter[‘W’ + str(i)] = np.random.randn(layers[i], layers[i - 1])) * 0.01
  parameter[‘b’ + str(i)] = np.random.randn(layers[i], 1) * 0.01

需要注意的是randn不能写成rand！！np.random.randn（）是生成标准状态分布，取值大多在-3~ +3之间，有负有正；而np.random.rand（）则是生成0~1之间的随机均匀分布。