课程5_第1周_测验题
第一题
1.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 i i 个训练样本中的第 j j 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)
答案：
A.【 √ 】 x ( i ) < j > x^{(i)<j>} x(i)<j>
第二题
2.看一下这个循环神经网络，在下面的条件中，满足下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
答案：
A.【 √ 】 T x = T y T_x=T_y Tx=Ty
第三题
3.这些任务中的哪一些会使用多对一的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）
答案：
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）
D.【 √ 】人声性别识别（输入语音，输出说话人的性别）
第四题
4.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>)
答案：
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>)
第五题
5.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：
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
答案：
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
第六题
6.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
答案：
B.【 √ 】梯度爆炸
第七题
7.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
答案：
B.【 √ 】100
第八题
8.下面有一些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 _r \approx 0 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 _r \approx 1 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 _u \approx 0 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 _u \approx 1 Γu≈1，梯度可以通过时间步反向传播而不会衰减。
答案：
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 _u \approx 0 Γu≈0，梯度可以通过时间步反向传播而不会衰减。
第九题
9.下面有一些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
答案：
A.【 √ 】 Γ u \Gamma _u Γu与 1 − Γ u 1-\Gamma _u 1−Γu
第十题
10.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>},…,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>},…,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 < t > y^{<t>} y<t>的值仅依赖于 x < 1 > , … , x < t > x^{<1>},…,x^{<t>} x<1>,…,x<t>，而不依赖于$
x{<t+1>},…,x{<365>}$
D. 【 】单向RNN，因为 y < t > y^{<t>} y<t>的值只取决于 x < t > x^{<t>} x<t>，而不是其他天的天气。
答案：
C.【 √ 】单向RNN，因为 y < t > y^{<t>} y<t>的值仅依赖于 x < 1 > , … , x < t > x^{<1>},…,x^{<t>} x<1>,…,x<t>，而不依赖于$
x{<t+1>},…,x{<365>}$