【吴恩达deeplearning.ai】Course 5 - 序列模型 - 第二周测验
1.假设你为10000个单词学习词嵌入,为了捕获全部范围的单词的变化以及意义,那么词嵌入向量应该是10000维的。
【 】 正确
【★】 错误
2.什么是t-SNE?
【★】 一种非线性降维算法。
【 】 一种能够解决词向量上的类比的线性变换。
【 】 一种用于学习词嵌入的监督学习算法。
【 】 一个开源序列模型库。
3.假设你下载了一个已经在一个很大的文本语料库上训练过的词嵌入的数据,然后你要用这个词嵌入来训练RNN并用于识别一段文字中的情感,判断这段文字的内容是否表达了“快乐”。
那么即使“欣喜若狂”这个词没有出现在你的小训练集中,你的RNN也会认为“我欣喜若狂”应该被贴上y=1y = 1y=1的标签。
【★】 正确
【 】 错误
4.对于词嵌入而言,下面哪一个(些)方程是成立的?
【★】 eboy−egirl≈ebrother−esistere_{boy} - e_{girl} ≈ e_{brother} - e_{sister}eboy−egirl≈ebrother−esister
【 】 eboy−egirl≈esister−ebrothere_{boy} - e_{girl} ≈ e_{sister} - e_{brother}eboy−egirl≈esister−ebrother
【★】 eboy−ebrother≈egirl−esistere_{boy} - e_{brother} ≈ e_{girl} - e_{sister}eboy−ebrother≈egirl−esister
【 】 eboy−ebrother≈esister−egirle_{boy} - e_{brother} ≈ e_{sister} - e_{girl}eboy−ebrother≈esister−egirl
5.设EEE为嵌入矩阵,e1234e_{1234}e1234 对应的是词“1234”的独热向量,为了获得1234的词嵌入,为什么不直接在Python中使用代码 E∗e1234E∗e_{1234}E∗e1234 呢?
【★】 因为这个操作是在浪费计算资源。
【 】 因为正确的计算方式是ET∗e1234E^T ∗ e_{1234}ET∗e1234。
【 】 因为它没有办法处理未知的单词()。
【 】 以上全都不对,因为直接调用E∗e1234E∗e_{1234}E∗e1234是最好的方案。
6.在学习词嵌入时,我们创建了一个预测P(target∣context)P(target \mid context)P(target∣context)的任务,如果这个预测做的不是很好那也是没有关系的,因为这个任务更重要的是学习了一组有用的嵌入词。
【★】 正确
【 】 错误
7.在word2vec算法中,你要预测P(t∣c)P(t \mid c)P(t∣c),其中 ttt 是目标词(target word),ccc 是语境词(context word)。你应当在训练集中怎样选择 ttt 与 ccc 呢?
【★】 ccc 与 ttt 应当在附近词中。
【 】 ccc 是在 ttt 前面的一个词。
【 】 ccc 是 ttt 之前句子中所有单词的序列。
【 】 ccc 是 ttt 之前句子中几个单词的序列。
8.假设你有1000个单词词汇,并且正在学习500维的词嵌入,word2vec模型使用下面的softmax函数:
P(t∣c)=eθtTec∑t′=110000eθt′TecP(t \mid c)=\frac{e^{\theta_t^Te_c}}{\sum_{t′=1}^{10000} e^{\theta_{t′}^T e_c}}P(t∣c)=∑t′=110000eθt′TeceθtTec
以下说法中哪一个(些)是正确的?
【★】 θt\theta_tθt 与 ece_cec 都是500维的向量。
【 】 θt\theta_tθt 与 ece_cec 都是10000维的向量。
【★】 θt\theta_tθt 与 ece_cec 都是通过Adam或梯度下降等优化算法进行训练的。
【 】 训练之后,θt\theta_tθt 应该非常接近ece_cec,因为 ttt 和 ccc 是一个词。
9.假设你有10000个单词词汇,并且正在学习500维的词嵌入,GloVe模型最小化了这个目标:
min∑i=110,000∑j=110,000f(Xij)(θiTej+bi+b′j−logXij)2\min \sum^{10,000}_{i=1}\sum^{10,000}_{j=1}f(X_{ij})(\theta^T_ie_j+b_i+b′_j−logX_{ij})^2mini=1∑10,000j=1∑10,000f(Xij)(θiTej+bi+b′j−logXij)2
以下说法中哪一个(些)是正确的?
【 】 θi\theta_iθi 与 eje_jej 应当初始化为0。
【★】 θi\theta_iθi 与 eje_jej 应当使用随机数进行初始化。
【★】 XijX_{ij}Xij 是单词i在j中出现的次数。
【★】 加权函数 f(.)f(.)f(.) 必须满足 f(0)=0f(0)=0f(0)=0。
The weighting function helps prevent learning only from extremely common word pairs. It is not necessary that it satisfies this function.
加权函数有助于防止仅从非常常见的单词对中学习,它不必满足这个函数。
10.你已经在文本数据集m1m_1m1上训练了词嵌入,现在准备将它用于一个语言任务中,对于这个任务,你有一个单独标记的数据集m2m_2m2,请记住,使用词嵌入是一种迁移学习的形式,在这种情况下,你认为词嵌入会有帮助吗?
【★】 m1>>m2m_1\gt \gt m_2m1>>m2
【 】 m1<<m2m_1 \lt \lt m_2m1<<m2
【吴恩达deeplearning.ai】Course 5 - 序列模型 - 第二周测验相关推荐
- 吴恩达deeplearning.ai系列课程笔记+编程作业(15)序列模型(Sequence Models)-第三周 序列模型和注意力机制
第五门课 序列模型(Sequence Models) 第三周 序列模型和注意力机制(Sequence models & Attention mechanism) 文章目录 第五门课 序列模型( ...
- 吴恩达deeplearning.ai系列课程笔记+编程作业(14)序列模型(Sequence Models)-第二周 自然语言处理与词嵌入
第五门课 序列模型(Sequence Models) 第二周 自然语言处理与词嵌入(Natural Language Processing and Word Embeddings) 文章目录 第五门课 ...
- 吴恩达deeplearning.ai系列课程笔记+编程作业(13)序列模型(Sequence Models)-第一周 循环序列模型(Recurrent Neural Networks)
第五门课 序列模型(Sequence Models) 第一周 循环序列模型(Recurrent Neural Networks) 文章目录 第五门课 序列模型(Sequence Models) 第一周 ...
- 【干货】吴恩达deeplearning.ai专项课程历史文章汇总
AI有道 一个有情怀的公众号 本文列出了吴恩达deeplearning.ai专项课程的所有精炼笔记,均是红色石头精心制作的原创内容.主要包括:<神经网络与深度学习>.<优化神经网络& ...
- 吴恩达deeplearning.ai深度学习课程空白作业
吴恩达deeplearning.ai深度学习课程的空白作业,包括深度学习微专业五门课程的全部空白编程作业,经多方整理而来.网上找来的作业好多都是已经被别人写过的,不便于自己练习,而且很多都缺失各种 ...
- 吴恩达Deeplearning.ai课程学习全体验:深度学习必备课程 By 路雪2017年8月14日 11:44 8 月 8 日,吴恩达正式发布了 Deepleanring.ai——基于 Cours
吴恩达Deeplearning.ai课程学习全体验:深度学习必备课程 By 路雪2017年8月14日 11:44 8 月 8 日,吴恩达正式发布了 Deepleanring.ai--基于 Course ...
- 吴恩达deeplearning.ai系列课程笔记+编程作业(11)第四课 卷积神经网络-第二周 深度卷积网络:实例探究(Deep convolutional models: case studies)
第四门课 卷积神经网络(Convolutional Neural Networks) 第二周 深度卷积网络:实例探究(Deep convolutional models: case studies) ...
- 吴恩达deeplearning.ai系列课程笔记+编程作业(6)第二课 改善深层神经网络-第二周:优化算法 (Optimization algorithms)
第二门课 改善深层神经网络:超参数调试.正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and ...
- Emojify - v2 吴恩达老师深度学习第五课第二周编程作业2
吴恩达老师深度学习第五课第二周编程作业2,包含答案! Emojify! Welcome to the second assignment of Week 2. You are going to use ...
- 吴恩达deeplearning.ai最后一课上线,下一次得等多少年?
喜大普奔!今天,吴恩达的深度学习系列课程最后一课上线了! 去年6月,吴恩达宣布deeplearning.ai创业项目,8月,该项目揭晓:一套由5门课组成的深度学习系列课程--Deep Learning ...
最新文章
- php codeigniter 语言,php – codeigniter模板引擎,包括语言解析器
- Python工程的文档结构
- setjmp()、longjmp() Linux Exception Handling/Error Handling、no-local goto
- OpenCV演示FloodFill()函数的实例(附完整代码)
- python世界第一语言_Java 跌落神坛!Python 正式登顶世界第一编程语言
- pkpm板按弹性计算还是塑性_PKPM中的S\R验算显红原因分析
- 时间戳转中国人能看得懂的日期格式 yy-mm-dd
- linux 进程 状态 ri,LINUX下解决netstat查看TIME_WAIT状态过多问题(转)
- 给next添加彩色标签
- apache配置mpm_worker
- 格式化字符串两种方式
- Java能用来做什么的?
- echarts 饼图文字图例多种颜色
- 区分电角度和机械角度
- 【入门级】学习卡尔曼滤波
- 数据库bigint转为JAVA中的String
- 毕达哥拉斯 三角形数和正方形数
- 迄今微软不同时期发布的SQL Server各版本之间的大致区别,供参考查阅
- PTA阿泽的交友标准
- 计蒜客 15499 阿里的新游戏 题解