引导式测验 · 简单 等级
神经网络测验
测试权重、隐藏层、ReLU、梯度更新、输出解释，以及为什么较大的网络仍然需要对新示例进行仔细测试。
问题 1 的 8
在玩具神经元中，在添加偏差之前，输入 0.8 乘以 0.6。 0.6是多少？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 在玩具神经元中，在添加偏差之前，输入 0.8 乘以 0.6。 0.6是多少？
- 添加到每个加权和的偏差
- 应用于第一个输入的权重
- 伸出的目标标签
- 激活后的最终输出
- 隐藏层在输入和输出之间起什么作用？
- 将输入转换为后续层使用的中间表示
- 存储原始训练标签不变
- 无需计算即可选择最终答案
- 取代对输出层的需求
- ReLU 应用于值时发挥什么作用？
- 它计算针对目标的损失
- 它使用学习率更新权重
- 它分配正确的类标签
- 对于负输入，它返回零，并通过正值传递一个正值
- 反向传播为训练过程提供了什么？
- 优化后的最终参数值
- 描述参数如何影响损失的梯度
- 全球最佳解决方案的保证
- 用于测量泛化能力的单独测试集
- 应该如何理解神经网络的大脑类比？
- 人工神经元是数学抽象，而不是生物神经元
- 现代网络详细再现脑细胞
- 成功的网络证明了类人的理解能力
- 每个网络层精确对应一个大脑区域
- 在指南的玩具神经元中，输入 1.5 产生的加权和为 -0.02。 ReLU 输出什么？
- 1.5 因为ReLU保留了输入
- -0.02 因为 ReLU 保留了每个总和
- 0.02 因为 ReLU 去掉了负号
- 0 因为 ReLU 将负值映射为零
- 当线性变换在没有非线性激活的情况下堆叠时会发生什么？
- 它们的组成仍然是线性的
- 堆栈自动变得非线性，因为它更深
- 反向传播将堆栈变成分类器
- 每一层都成为独立的概率
- 为什么数字输出和类别分数应该有不同的解释？
- 数字输出始终是置信百分比
- 类别分数是有保证的概率
- 输出含义取决于任务和所选的输出层
- 每个输出层返回一个类标签