吳恩達深度學習筆記 course4 week4 測驗

第 1 個問題

1
point

1. 第 1 個問題

Face verification requires comparing a new picture against one person’s face, whereas face recognition requires comparing a new picture against K person’s faces.html

True √react

False算法

第 2 個問題

1
point

2. 第 2 個問題

Why do we learn a function 數據庫

We need to solve a one-shot learning problem. √網絡

Given how few images we have per person, we need to apply transfer learning.app

This allows us to learn to recognize a new person given just a single image of that person. √ide

This allows us to learn to predict a person’s identity using a softmax output unit, where the number of classes equals the number of persons in the database plus 1 (for the final 「not in database」 class).函數

第 3 個問題

1
point

3. 第 3 個問題

In order to train the parameters of a face recognition system, it would be reasonable to use a training set comprising 100,000 pictures of 100,000 different persons.學習

True優化

False √

第 4 個問題

1
point

4. 第 4 個問題

Which of the following is a correct definition of the triplet loss? Consider that $\alpha > 0α>0. (We encourage you to figure out the answer from first principles, rather than just refer to the lecture.)$

$max(||f(A)-f(N)||^2 - ||f(A)-f(P)||^2 + \alpha, 0)max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2+α,0)$

$max(||f(A)-f(P)||^2 - ||f(A)-f(N)||^2 + \alpha, 0)max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α,0) √$

$max(||f(A)-f(N)||^2 - ||f(A)-f(P)||^2 - \alpha, 0)max(∣∣f(A)−f(N)∣∣2−∣∣f(A)−f(P)∣∣2−α,0)$

$max(||f(A)-f(P)||^2 - ||f(A)-f(N)||^2 - \alpha, 0)max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2−α,0)$

第 5 個問題

1
point

5. 第 5 個問題

Consider the following Siamese network architecture:

The upper and lower neural networks have different input images, but have exactly the same parameters.

True √

False

第 6 個問題

1
point

6. 第 6 個問題

You train a ConvNet on a dataset with 100 different classes. You wonder if you can find a hidden unit which responds strongly to pictures of cats. (I.e., a neuron so that, of all the input/training images that strongly activate that neuron, the majority are cat pictures.) You are more likely to find this unit in layer 4 of the network than in layer 1.

True √

False

第 7 個問題

1
point

7. 第 7 個問題

Neural style transfer is trained as a supervised learning task in which the goal is to input two images (

True

False √

第 8 個問題

1
point

8. 第 8 個問題

In the deeper layers of a ConvNet, each channel corresponds to a different feature detector. The style matrix $G^{[l]}G[l] measures the degree to which the activations of different feature detectors in layer ll vary (or correlate) together with each other.$

True √

False

第 9 個問題

1
point

9. 第 9 個問題

In neural style transfer, what is updated in each iteration of the optimization algorithm?

The pixel values of the generated image

The pixel values of the content image

The neural network parameters

The regularization parameters

第 10 個問題

1
point

10. 第 10 個問題

You are working with 3D data. You are building a network layer whose input volume has size 32x32x32x16 (this volume has 16 channels), and applies convolutions with 32 filters of dimension 3x3x3 (no padding, stride 1). What is the resulting output volume?

30x30x30x16

30x30x30x32 √

Undefined: This convolution step is impossible and cannot be performed because the dimensions specified don’t match up.

中文版-----------------------------------------------------------------------------------------------------------------------摘自:https://blog.csdn.net/u013733326/article/details/80736992

1.面部驗證只須要將新圖片與 $1$

【★】正確

【】錯誤

2.在人臉驗證中函數 $d (i m g 1, i m g 2)$

【★】只須要給出一我的的圖片就可讓網絡認識這我的。

【★】爲了解決一次學習的問題。

【】這可讓咱們使用softmax函數來學習預測一我的的身份，在這個單元中分類的數量等於數據庫中的人的數量加1。

Softmax output unit has been removed.

Softmax 輸出單元在這裏已經被去掉了。

【】鑑於咱們擁有的照片不多，咱們須要將它運用到遷移學習中。

We don’t need to use transfer learning.

咱們不須要使用遷移學習。

3.爲了訓練人臉識別系統的參數，使用包含了10萬個不一樣的人的10萬張圖片的數據集進行訓練是合理的。

【】正確

【★】錯誤

More than one pictures per person are needed.

每一個人須要多張照片的。

4.下面哪一個是三元組損失的正肯定義（請把 $α$

【★】 $m a x (| | f (A) - f (P) | |^{2} - | | f (A) - f (N) | |^{2} + α, 0)$

【】 $m a x (| | f (A) - f (N) | |^{2} - | | f (A) - f (P) | |^{2} + α, 0)$

【】 $m a x (| | f (A) - f (N) | |^{2} - | | f (A) - f (P) | |^{2} - α, 0)$

【】 $m a x (| | f (A) - f (P) | |^{2} - | | f (A) - f (N) | |^{2} - α, 0)$

5.在下圖中的孿生卷積網絡(Siamese network)結構圖中，上下兩個神經網絡擁有不一樣的輸入圖像，可是其中的網絡參數是徹底相同的。

【★】正確

【】錯誤

Wee need the same parameters to get $f (x^{(i)})$

6.你在一個擁有100種不一樣的分類的數據集上訓練一個卷積神經網絡，你想要知道是否可以找到一個對貓的圖片很敏感的隱藏節點（即在可以強烈激活該節點的圖像大多數都是貓的圖片的節點），你更有可能在第4層找到該節點而不是在第1層更有可能找到。

【★】正確

【】錯誤

7.神經風格轉換被訓練爲有監督的學習任務，其中的目標是輸入兩個圖像 ( $x$

【】正確

【★】錯誤

Images have no labels.

監督學習須要標籤，可是這裏的圖像沒有標籤。

8.在一個卷積網絡的深層，每一個通道對應一個不一樣的特徵檢測器，風格矩陣 $G^{[l]}$

【★】正確

【】錯誤

9.在神經風格轉換中，在優化算法的每次迭代中更新的是什麼？

【】神經網絡的參數

【★】生成圖像 $G$

【】正則化參數

【】內容圖像 $C$

10.你如今用擁有的是3D的數據，如今構建一個網絡層，其輸入的卷積是 $32 \times 32 \times 32 \times 16$

【★】 $30 \times 30 \times 30 \times 32$

【】不能操做，由於指定的維度不匹配，因此這個卷積步驟是不可能執行的。

【】 $30 \times 30 \times 30 \times 16$