在一个神经网络里，知道每一个神经元的权重和偏差是最重要的一步。如果以某种方法知道了神经元准确的权重和偏差，你就可以近似任何函数。实现这个最佳的办法是什么？

随机赋值，祈祷它们是正确的

搜索所有权重和偏差的组合，直到得到最佳值

赋予一个初始值，通过检查跟最佳值的差值，然后迭代更新权重

以上都不正确

　　答案：（C）

　　选项C是对梯度下降的描述。

　　6

　　梯度下降算法的正确步骤是什么？

计算预测值和真实值之间的误差

迭代跟新，直到找到最佳权重

把输入传入网络，得到输出值

初始化随机权重和偏差

对每一个产生误差的神经元，改变相应的（权重）值以减小误差

　　A. 1, 2, 3, 4, 5

　　B. 5, 4, 3, 2, 1

　　C. 3, 2, 1, 5, 4

　　D. 4, 3, 1, 5, 2

　　答案：（D）

　　选项D是正确的

　　7

　　假设你有输入x，y，z，值分别是-2，5，-4。你有神经元q和f，函数分别为q = x + y，f = q * z。函数的图示如下图：

　　F对x，y和z的梯度分别是？（提示：计算梯度，你必须找到df/dx, df/dy和df/dz）

　　A. (-3,4,4)

　　B. (4,4,3)

　　C. (-4,-4,3)

　　D. (3,-4,-4)

　　答案：（C）

　　选项C是正确的。

　　8

　　现在回顾之前的内容。我们学到了：

　　- 大脑是有很多叫做神经元的东西构成，神经网络是对大脑的粗糙的数学表达。

　　- 每一个神经元都有输入、处理函数和输出。

　　- 神经元堆叠起来形成了网络，用作近似任何函数。

　　- 为了得到最佳的神经网络，我们用梯度下降方法不断更新模型

　　给定上述关于神经网络的描述，什么情况下神经网络模型被称为深度学习模型？

加入更多层，使神经网络的深度增加

有维度更高的数据

当这是一个图形识别的问题时

以上都不正确

　　答案：（A）

　　更多层意味着网络更深。没有严格的定义多少层的模型才叫深度模型，目前如果有超过2层的隐层，那么也可以及叫做深度模型。

　　9

　　神经网络可以认为是多个简单函数的堆叠。假设我们想重复下图所示的决策边界

　　使用两个简单的输入h1和h2

　　最终的等式是什么？

　　A. (h1 AND NOT h2) OR (NOT h1 AND h2)

　　B. (h1 OR NOT h2) AND (NOT h1 OR h2)

　　C. (h1 AND h2) OR (h1 OR h2)

　　D. None of these

　　答案：（A）

　　你可以看见，巧妙地合并h1和h2可以很容易地得到复杂的等式。参见这本书的第九章。

　　10

　　卷积神经网络可以对一个输入完成不同种类的变换（旋转或缩放），这个表述正确吗？

正确

错误

　　答案：（B）

　　数据预处理（也就是旋转、缩放）步骤在把数据传入神经网络之前是必要的，神经网络自己不能完成这些变换。

　　11

　　下列哪一种操作实现了和神经网络中Dropout类似的效果？

　　A. Bagging

　　B. Boosting

　　C. 堆叠（Stacking）

　　D. 以上都不正确

　　答案：（A）