吴恩达《深度学习》-课后测验-第五门课 序列模型(Sequence Models)-Week 1: Recurrent Neural Networks(第一周测验：循环神经网络)

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了吴恩达《深度学习》-课后测验-第五门课 序列模型(Sequence Models)-Week 1: Recurrent Neural Networks(第一周测验：循环神经网络)，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含8854字，纯文字阅读大概需要13分钟。

内容图文

Week 1 Quiz: Recurrent Neural Networks(第一周测验：循环神经网络)

\1. Suppose your training examples are sentences (sequences of words). Which of the following refers to the jth word in the ith training example?( 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??个训练样本中的第??个词?)

【 】 $??^{(??)<??>} $

【 】 \(??^{<??>(??) }\)

【 】 \(??^{(??)<??>}\)

【 】 \(??^{<??>(??)}\)

答案

【★】 ??(??)<??> (注：首先获取第??个训练样本(用括号表示)，然后到??列获取单词(用括尖括号表示)。)

\2. Consider this RNN: This specific type of architecture is appropriate when: (看一下下面的这 个循环神经网络：在下面的条件中，满足上图中的网络结构的参数是)

【 】$??_?? = ??_?? $

【 】 $??_?? < ??_?? $

【 】\(??_?? > ??_??\)

【 】$ ??_?? = 1 $

答案

【★】???? = ????

\3. To which of these tasks would you apply a many-to-one RNN architecture? (Check all that apply). (上图中每一个输入都与输出相匹配。 这些任务中的哪一个会使用多对一的 RNN 体 系结构？)

【 】 Speech recognition (input an audio clip and output a transcript) (语音识别（输入语音， 输出文本）。)

【 】 Sentiment classification (input a piece of text and output a 0/1 to denote positive or negative sentiment) (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）。)

【 】Image classification (input an image and output a label) (图像分类（输入一张图片，输出 对应的标签）。)

【 】 Gender recognition from speech (input an audio clip and output a label indicating the speaker’s gender) (人声性别识别（输入语音，输出说话人的性别）。)

答案

【★】 Sentiment classification (input a piece of text and output a 0/1 to denote positive or negative sentiment) (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）。)

【★】 Gender recognition from speech (input an audio clip and output a label indicating the speaker’s gender) (人声性别识别（输入语音，输出说话人的性别）。)

\4. You are training this RNN language model.

At the \(??^{th}\) time step, what is the RNN doing? Choose the best answer.( 假设你现在正在训练下面 这个 RNN 的语言模型： 在??时，这个 RNN 在做什么？)

【 】 Estimating ??(\(??^{<1>}, ??^{<2>},… , ??^{<???1>}\))( 计算 ??(\(??^{<1>}, ??^{<2>},… , ??^{<???1>}\)) )

【 】 Estimating ??(\(??^{<??>}\)) (计算 ??(\(??^{<??>}\)) )

【 】Estimating \(??(?? ∣ ??^{<1>}, ??^{<2>},… , ??^{<??>})\) ( 计算 \(??(?? ∣ ??^{<1>}, ??^{<2>},… , ??^{<??>})\))

【 】Estimating \(??(?? ∣ ??^{<1>}, ??^{<2>}, … , ??^{<???1>})\)( 计算 \(??(?? ∣ ??^{<1>}, ??^{<2>}, … , ??^{<???1>})\))

答案

Yes,in a language model we try to predict the next step based on the knowledge of all prior steps

【★】Estimating ??(?? ∣ ?? <1>, ?? <2>,… , ?? <??>) ( 计算 ??(?? ∣ ?? <1>, ?? <2>, … , ?? <??-1>) )

\5. You have finished training a language model RNN and are using it to sample random sentences, as follows: What are you doing at each time step ???( 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： 在每个时间步??都在做什么？)

【 】Use the probabilities output by the RNN to pick the highest probability word for that time-step as \(??^{<??>}\). (ii) Then pass the ground-truth word from the training set to the next timestep. ((1)使用 RNN 输出的概率，选择该时间步的最高概率单词作为\(??^{<??>}\)，(2)然后将训练集中 的正确的单词传递到下一个时间步。)

【 】Use the probabilities output by the RNN to randomly sample a chosen word for that time-step as \(??^{<??>}\). (ii) Then pass the ground-truth word from the training set to the next timestep. ((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 \(??^{<??>}\)，(2)然后将训 练集中的实际单词传递到下一个时间步。)

【 】Use the probabilities output by the RNN to pick the highest probability word for that time-step as \(??^{<??>}\). (ii) Then pass this selected word to the next time-step. ((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 \(??^{<??>}\)，(2)然后将该选择的词传递给下一个时间步。)

【 】 Use the probabilities output by the RNN to randomly sample a chosen word for that time-step as \(??^{<??>}\). (ii) Then pass this selected word to the next time-step. ((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\(??^{<??>}\)，(2)然后将此选定单词传递给下一个时间步。)

答案

【★】 (i) Use the probabilities output by the RNN to randomly sample a chosen word for that time-step as ?? <??>. (ii) Then pass this selected word to the next time-step. ((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?? <??>，(2)然后将此选定单词传递给下一个时间步。)

2>1>2>1>

\6. You are training an RNN, and find that your weights and activations are all taking on the value of NaN (“Not a Number”). Which of these is the most likely cause of this problem?

【 】 Vanishing gradient problem. (梯度消失。)

【 】Exploding gradient problem. (梯度爆炸。)

【 】 ReLU activation function g(.) used to compute g(z), where z is too large. (ReLU 函数作为 激活函数??(. )，在计算??(??)时，??的数值过大了。)

【 】 Sigmoid activation function g(.) used to compute g(z), where z is too large. (Sigmoid 函数 作为激活函数??(. )，在计算??(??)时，??的数值过大了。)

答案

【★】Exploding gradient problem. (梯度爆炸。)

7.Suppose you are training a LSTM. You have a 10000 word vocabulary, and are using an LSTM with 100-dimensional activations a. What is the dimension of Γu at each time step?( 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，????的维度是多少？)

【 】 1

【 】 100

【 】300

【 】 10000

答案

【★ 】 100

(注: ????的向量维度等于 LSTM 中隐藏单元的数量。)

\8. Here’re the update equations for the GRU. Alice proposes to simplify the GRU by always removing the \(??_??\). I.e., setting \(??_??\) = 1. Betty proposes to simplify the GRU by removing the \(??_??\) . I. e., setting \(??_??\)＝1 always. Which of these models is more likely to work without vanishing gradient problems even when trained on very long input sequences?( 这里有一些 GRU 的更新方程： 爱丽丝建议通过移除\(??_??\)来简化 GRU， 即设置\(??_??\) = 1。贝蒂提出通过移除\(??_??\)来简化 GRU，即设置\(??_??\)＝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？)

【 】 Alice’s model (removing \(??_??\)), because if \(??_??\) ≈ 0 for a timestep, the gradient can propagate back through that timestep without much decay. (爱丽丝的模型（即移除 ????），因为对于一个 时间步而言，如果???? ≈ 0，梯度可以通过时间步反向传播而不会衰减。)

【 】Alice’s model (removing ????), because if ???? ≈ 1 for a timestep, the gradient can propagate back through that timestep without much decay. (爱丽丝的模型（即移除 ????），因为对于一个 时间步而言，如果???? ≈ 1，梯度可以通过时间步反向传播而不会衰减。)

【 】 Betty’s model (removing ???? ), because if ??u ≈ 0 for a timestep, the gradient can propagate back through that timestep without much decay. (贝蒂的模型（即移除????），因为对于一个时间 步而言，如果??u ≈ 0，梯度可以通过时间步反向传播而不会衰减。)

【 】Betty’s model (removing ???? ), because if ??u ≈ 1 for a timestep, the gradient can propagate back through that timestep without much decay. (贝蒂的模型（即移除????），因为对于一个时 间步而言，如果??u ≈ 1，梯度可以通过时间步反向传播而不会衰减。)

答案

【★ 】 Betty’s model (removing ???? ), because if ??u ≈ 0 for a timestep, the gradient can propagate back through that timestep without much decay. (贝蒂的模型（即移除????），因为对于一个时间 步而言，如果??u ≈ 0，梯度可以通过时间步反向传播而不会衰减。)

(注：要使信号反向传播而不消失，我们需要?? <??>高度依赖于?? <???1>。)

\9. Here are the equations for the GRU and the LSTM: From these, we can see that the Update Gate and Forget Gate in the LSTM play a role similar to _ and __ in the GRU. What should go in the the blanks?( 这里有一些 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？)

【 】???? 与 1 ? ???? (???? 与 1 ? ???? )

【 】????与 ???? (????与 ???? )

【 】1 ? ???? 与???? (1 ? ???? 与???? )

【 】???? 与???? (???? 与???? )

答案

【★】???? 与 1 ? ???? (???? 与 1 ? ???? )

\10. You have a pet dog whose mood is heavily dependent on the current and past few days’ weather. You’ve collected data for the past 365 days on the weather, which you represent as a sequence as \(??^{<1>},… , ??^{<365>}\). You’ve also collected data on your dog’s mood, which you represent as \(??^{<1>}, … , ??^{<365>}\). You’d like to build a model to map from x→y. Should you use a Unidirectional RNN or Bidirectional RNN for this problem?( 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 \(??^{<1>},… , ??^{<365>}\)，这些数据是一个序列，你还收集了你的狗心情的数据\(??^{<1>}, … , ??^{<365>}\)，你想建立一个模型来从??到??进行映射，你应该使用单向 RNN 还是双向 RNN 来解决这个问 题？)

【 】Bidirectional RNN, because this allows the prediction of mood on day ?? to take into account more information. (双向 RNN，因为在??日的情绪预测中可以考虑到更多的信息。)

【 】 Bidirectional RNN, because this allows backpropagation to compute more accurate gradients.( 双向 RNN，因为这允许反向传播计算中有更精确的梯度。)

【 】 Unidirectional RNN, because the value of \(??^{<??>}\) depends only on \(??^{<1>},… , ??^{<??>}\) ,but not on \(??^{<??+1>},… , ??^{<365>}\) (单向 RNN，因为\(??^{<??>}\)的值仅依赖于\(??^{<1>},… , ??^{<??>}\)，而不依赖于 \(??^{<??+1>},… , ??^{<365>}\)。)

【 】Unidirectional RNN, because the value of \(??^{<??>}\) depends only on \(??^{<??>}\), and not other days’ weather.( 单向 RNN，因为\(??^{<??>}\)的值只取决于\(??^{<??>}\)，而不是其他天的天气。)

答案

【★】 Unidirectional RNN, because the value of ?? <??> depends only on ?? <1>,… , ?? <??> ,but not on ?? <??+1>,… , ?? <365> (单向 RNN，因为?? <??>的值仅依赖于?? <1>,… , ?? <??>，而不依赖于 ?? <??+1>,… , ?? <365>。)

365>1>1>

原文：https://www.cnblogs.com/phoenixash/p/12236960.html

内容总结

以上是互联网集市为您收集整理的吴恩达《深度学习》-课后测验-第五门课 序列模型(Sequence Models)-Week 1: Recurrent Neural Networks(第一周测验：循环神经网络)全部内容，希望文章能够帮你解决吴恩达《深度学习》-课后测验-第五门课 序列模型(Sequence Models)-Week 1: Recurrent Neural Networks(第一周测验：循环神经网络)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---