Question 1 Partiellement correct Note de 0,50 sur 1,00
To which of these tasks would you apply a many-to-one RNN architecture? (Check all that apply).
A. Machine Translation (input a piece of text and the output is a translated text)
B. Gender recognition from speech
C. Image classification
D. Sentiment classification (input a piece of text and output a 0/1 to denote positive or negative
sentiment)
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 1.
Les réponses correctes sont :
Sentiment classification (input a piece of text and output a 0/1 to denote positive or negative sentiment),
Gender recognition from speech
Question 2 Partiellement correct Note de 0,33 sur 1,00
Consider this RNN: This specific type of architecture is appropriate when:
A. T = Ty
x
B. T - T
x y
C. T = T =1
x y
D. T < T
x y
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 0.
La réponse correcte est :
Tx= Ty
Question 3 Partiellement correct Note de 0,67 sur 1,00
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 t:
A. (1) The highest probability word of the time step t as is picked from output
probabilities, (2) the ground truth word from the training set is passed to the next step t+1.
B. (1) Randomly sample a chosen word according to the given output probabilties of the RNN for the
time step, (2) the selected word is passed to the next step t+1.
C. (1) Use the probabilities given by the RNN to sample a word for the time step, (2) the
ground truth word from the training set is passed to the next step t+1.
D. (1) Pick the highest probability from the output probabilities of the RNN for the time step
, (2) the selected word is passed to the next step t+1.
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 0.
La réponse correcte est :
(1) Randomly sample a chosen word according to the given output probabilties of the RNN for the time step
, (2) the selected word is passed to the next step t+1.
Question 4 Incorrect Note de 0,00 sur 1,00
Which of these is the most likely cause of problems for RNNs:
Publicité
A. Exploding gradients.
B. Vanishing gradients.
Votre réponse est incorrecte.
Les réponses correctes sont :
Exploding gradients.,
Vanishing gradients.,
Difficult to process longer sequences.
Question 5 Incorrect Note de 0,00 sur 1,00
The Gated Recurrent Units (GRU) helps avoiding vanishing/exploding gradients
Where:
Check all that apply.
A. The final output state htis a combination of ht−1 and ϕh(Whx +Ut h(r ⊙ t ht−1)+bh) via zt and it is the representation of the hidden state h
t t−1 h h t h t t−1 h t
t-1
B. Ce choix a été supprimé après le début de la tentative
C. The final output state htis a combination of ht−1 and ϕh(Whx +Ut h(r ⊙ t ht−1)+bh) via zt and it is the representation of the input x
t t−1 h h t h t t−1 h t
t
D. Ce choix a été supprimé après le début de la tentative
Votre réponse est incorrecte.
Les réponses correctes sont :
The final output state htis a combination of ht−1 and ϕh(Whx +Ut h(r ⊙ t ht−1)+bh) via zt and it is the
representation of the input x,t
The reset gate rt is used to decide how much of the past information to forget.
Question 6 Partiellement correct Note de 0,50 sur 1,00
We talked about “parameter sharing” as a benefit of using convolutional networks. Which of the
following statements about parameter sharing in ConvNets are true? (Check all that apply.)
A. It allows a feature detector to be used in multiple locations throughout the whole input image/input
volume.
B. It allows gradient descent to set many of the parameters to zero
C. It allows parameters learned for one task to be shared even for a different task.
D. It reduces the total number of parameters
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 0.
Les réponses correctes sont :
It reduces the total number of parameters,
It allows a feature detector to be used in multiple locations throughout the whole input image/input volume.
Question 7 Partiellement correct Note de 0,50 sur 1,00
Which of the following do you typically see in a ConvNet? (Check all that apply.)
A. Fully-Connected layers in the last few layers.
B. Multiple CONV layers followed by a POOLING layer.
C. Fully-Connected layers in the first few layers
D. Multiple POOLING layers followed by a CONV layer.
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 1.
Publicité
Les réponses correctes sont :
Multiple CONV layers followed by a POOLING layer.,
Fully-Connected layers in the last few layers.
Question 8 Correct Note de 1,00 sur 1,00
In order to be able to build very deep networks, we usually only use pooling layers to downsize the
height/width of the activation volumes while convolutions are used with “valid” padding. Otherwise, we
would downsize the input of the model too quickly.
A. Ce choix a été supprimé après le début de la tentative
B. True
C. Ce choix a été supprimé après le début de la tentative
D. False
Votre réponse est correcte.
La réponse correcte est :
False
Question 9 Incorrect Note de 0,00 sur 1,00
Suppose you have an input volume of dimension 64x64x32. How many parameters would a single 1x1
convolutional filter have (including the bias)?
A. 33
B. 4097
Votre réponse est incorrecte.
La réponse correcte est :
33
Question 10 Incorrect Note de 0,00 sur 1,00
You have an input volume that is 15x15x8, and pad it using “pad=2.” What is the dimension of the
resulting volume (after padding)?
A. 19x19x16
B. 17x17x8
C. 19x19x8
D. 17x17x16
Votre réponse est incorrecte.
La réponse correcte est :
19x19x8
Question 11 Partiellement correct Note de 0,50 sur 1,00
Which of these statements about mini-batch gradient descent do you agree with?
A. Ce choix a été supprimé après le début de la tentative
B. One iteration of mini-batch gradient descent (computing on a single mini-batch) is faster than one
iteration of batch gradient descent.
C. You should implement mini-batch gradient descent with an explicit for-loop over different mini batches, so that the algorithm processes mini-batches at each iteration.
D. Training one epoch (one pass through the training set) using mini-batch gradient descent is faster
than training one epoch using batch
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 1.
Les réponses correctes sont :
You should implement mini-batch gradient descent with an explicit for-loop over different mini-batches, so
that the algorithm processes mini-batches at each iteration., One iteration of mini-batch gradient descent
Publicité
(computing on a single mini-batch) is faster than one iteration of batch gradient descent.
Question 12 Incorrect Note de 0,00 sur 1,00
A. Faux
B. Vrai
Votre réponse est incorrecte.
La réponse correcte est :
Faux
Question 13 Incorrect Note de 0,00 sur 1,00
A. 16384
B. 16385
C. 1025
D. 1024
Votre réponse est incorrecte.
La réponse correcte est :
16385
Question 14 Correct Note de 1,00 sur 1,00
A. Il permet d'utiliser un détecteur de caractéristiques à plusieurs endroits sur l'ensemble de
l'image d'entrée/du volume d'entrée.
B. Il permet à la descente de gradient de mettre de nombreux paramètres à zéro, rendant ainsi les
connexions parcimonieuses.
C. Il réduit le nombre total de paramètres, réduisant ainsi le sur-apprentissage
D. Il permet de partager les paramètres appris pour une tâche pour différente applications
(apprentissage par transfert).
Votre réponse est correcte.
Les réponses correctes sont :
Il réduit le nombre total de paramètres, réduisant ainsi le sur-apprentissage,
Il permet d'utiliser un détecteur de caractéristiques à plusieurs endroits sur l'ensemble de l'image
d'entrée/du volume d'entrée.
Question 15 Incorrect Note de 0,00 sur 1,00
La segmentation sémantique est :
A. La tâche qui consiste à étiqueter toutes les régions de l’image.
B. La tâche qui consiste à générer
des cadres de délimitation pour les objets composants l'image.
C. La tâche qui consiste à attribuer une catégorie à chaque image d’entrée
D. La tâche qui consiste à produire une étiquette pour chaque pixel de l’image.
Votre réponse est incorrecte.
Les réponses correctes sont :
La tâche qui consiste à produire une étiquette pour chaque pixel de l’image.,
La tâche qui consiste à étiqueter toutes les régions de l’image.
Question 16 Correct Note de 1,00 sur 1,00
La vérification faciale consiste à comparer une nouvelle image avec le visage d'une personne, tandis que
la reconnaissance faciale nécessite de comparer une nouvelle image avec les visages de K personnes.
A. Vrai
B. Faux
Votre réponse est correcte.
Publicité
La réponse correcte est :
Vrai
Question 17 Correct Note de 1,00 sur 1,00
Vous entraînez un ConvNet sur un ensemble de données avec 100 classes différentes. Vous vous
demandez si vous pouvez trouver une unité cachée qui réagit fortement aux images de chats. (C'est
à-dire un neurone de sorte que, de toutes les images d'entrée/d'entraînement qui activent fortement ce
neurone.) Vous êtes plus susceptible de trouver cette unité dans la couche 4 du réseau que dans la
couche 1.
A. Vrai
B. Faux
Votre réponse est correcte.
La réponse correcte est :
Vrai
Question 18 Partiellement correct Note de 0,67 sur 1,00
Les principaux types d'algorithme de reconnaissance d'objet sont:
A. Classification d'image
B. Détection de scène
C. Classification avec localisation
D. Détection
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 2.
Les réponses correctes sont :
Classification d'image,
Classification avec localisation,
Détection
Question 19 Partiellement correct Note de 0,50 sur 1,00
La fonction d'activation la plus appropriée pour les couches cachées et la couche supérieure sont :
A. Tanh
B. Softmax
C. Sigmoid
D. ReLu
Votre réponse est partiellement correcte.
Vous en avez sélectionné correctement 1.
Les réponses correctes sont :
ReLu,
Softmax
Question 20 Incorrect Note de 0,00 sur 1,00
Lorsqu'un ensemble de données ENTIER est transmis vers l'avant et vers l'arrière via le réseau de
neurones UNE SEULE FOIS.
A. Un batch
B. Une itération
C. Une "epoch"
Votre réponse est incorrecte.
La réponse correcte est :
Un batch