[改善深度神经网络] Optimization algorithms习题解析

这是[改善深度神经网络]课程第二周的习题，一共10道。

解答：

[l]表示第l层，{l}表示第l个minibatch，(l)表示第l个样本。

答案选项3

解答：

选项1是肯定的，一个mini-batch的数据小于总样本，所以仅就一次迭代而言，mini-batch是快于整批迭代的。

一个epoch的mini-batch梯度递减迭代无法完全向量化所有样本，存在for循环，所以速度慢于整批迭代。

mini-batch梯度递减迭代需要for循环处理不同批次的数据，所以选项3也是错误的。

答案是选项1

解答：

如果mini-batch的大小为m，就是批量梯度递减迭代，而mini-batch的大小为1，就退化为随机梯度递减迭代，无法享受到向量化带来的好处。

答案选项2、4

解答：

mini-batch可能局部存在代价增加的情况，但总体上应该是下降的。批量梯度递减则应该是严格单调下降的。

答案是选项1

解答：

因为没有最开始的数据，所以v2在未校正前无法反映真实数据，小于平均值，校正之后正常，答案是选项3

解答：

选项3的alpha值随着t的增加，不断增加，是错误的方案。

答案选项3

解答：

增加beta值使得曲线更加平滑，同时整个曲线也会右移。

答案是选项2、3

解答：

1的下降曲线波动幅度最大，没有动量加速，增加beta值，下降曲线波动幅度减小，所以答案是选项3

解答：

加快学习速度的方法有：增加学习率、使用Adam优化、mini-batch梯度递减、精心选择的权重初始化值。而将权重值初始化为0或导致权重对称问题，不能采用。

答案是选项1、2、4、5

解答：

Adam优化用于mini-batch梯度递减，而不是批量梯度递减。

所以答案是选项2。

相关习题解析：

1. [改善深度神经网络] Practical aspects of deep learning习题解析