吴恩达深度学习笔记 course4 week4 测验

第 1 个问题

1
point

1. 第 1 个问题

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 个问题

1
point

2. 第 2 个问题

Why do we learn a function 数据库

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

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).函数

第 3 个问题

1
point

3. 第 3 个问题

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.学习

True优化

False √

第 4 个问题

1
point

4. 第 4 个问题

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 个问题

1
point

5. 第 5 个问题

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 个问题

1
point

6. 第 6 个问题

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 个问题

1
point

7. 第 7 个问题

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

True

False √

第 8 个问题

1
point

8. 第 8 个问题

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 个问题

1
point

9. 第 9 个问题

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 个问题

1
point

10. 第 10 个问题

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.面部验证只须要将新图片与 $1$

【★】正确

【】错误

2.在人脸验证中函数 $d (i m g 1, i m g 2)$

【★】只须要给出一我的的图片就可让网络认识这我的。

【★】为了解决一次学习的问题。

【】这可让咱们使用softmax函数来学习预测一我的的身份，在这个单元中分类的数量等于数据库中的人的数量加1。

Softmax output unit has been removed.

Softmax 输出单元在这里已经被去掉了。

【】鉴于咱们拥有的照片不多，咱们须要将它运用到迁移学习中。

We don’t need to use transfer learning.

咱们不须要使用迁移学习。

3.为了训练人脸识别系统的参数，使用包含了10万个不一样的人的10万张图片的数据集进行训练是合理的。

【】正确

【★】错误

More than one pictures per person are needed.

每一个人须要多张照片的。

4.下面哪一个是三元组损失的正肯定义（请把 $α$

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

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

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

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

5.在下图中的孪生卷积网络(Siamese network)结构图中，上下两个神经网络拥有不一样的输入图像，可是其中的网络参数是彻底相同的。

【★】正确

【】错误

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

6.你在一个拥有100种不一样的分类的数据集上训练一个卷积神经网络，你想要知道是否可以找到一个对猫的图片很敏感的隐藏节点（即在可以强烈激活该节点的图像大多数都是猫的图片的节点），你更有可能在第4层找到该节点而不是在第1层更有可能找到。

【★】正确

【】错误

7.神经风格转换被训练为有监督的学习任务，其中的目标是输入两个图像 ( $x$

【】正确

【★】错误

Images have no labels.

监督学习须要标签，可是这里的图像没有标签。

8.在一个卷积网络的深层，每一个通道对应一个不一样的特征检测器，风格矩阵 $G^{[l]}$

【★】正确

【】错误

9.在神经风格转换中，在优化算法的每次迭代中更新的是什么？

【】神经网络的参数

【★】生成图像 $G$

【】正则化参数

【】内容图像 $C$

10.你如今用拥有的是3D的数据，如今构建一个网络层，其输入的卷积是 $32 \times 32 \times 32 \times 16$

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

【】不能操做，由于指定的维度不匹配，因此这个卷积步骤是不可能执行的。

【】 $30 \times 30 \times 30 \times 16$