期思考题及参考解析
140.梯度下降算法的正确步骤是什么？
计算预测值和真实值之间的误差
重复迭代，直至得到网络权重的最佳值
把输入传入网络，得到输出值
用随机值初始化权重和偏差
对每一个产生误差的神经元，调整相应的（权重）值以减小误差
答案：正确步骤排序是：4, 3, 1, 5, 2
141.已知：
- 大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。
- 每一个神经元都有输入、处理函数和输出。
- 神经元组合起来形成了网络，可以拟合任何函数。
- 为了得到最佳的神经网络，我们用梯度下降方法不断更新模型
给定上述关于神经网络的描述，什么情况下神经网络模型被称为深度学习模型？
A 加入更多层，使神经网络的深度增加
B 有维度更高的数据
C 当这是一个图形识别的问题时
D 以上都不正确
答案：（A）
更多层意味着网络更深。没有严格的定义多少层的模型才叫深度模型，目前如果有超过2层的隐层，那么也可以及叫做深度模型。
142.卷积神经网络可以对一个输入进行多种变换（旋转、平移、缩放），这个表述正确吗？
答案：错误
把数据传入神经网络之前需要做一系列数据预处理（也就是旋转、平移、缩放）工作，神经网络本身不能完成这些变换。
143.下面哪项操作能实现跟神经网络中Dropout的类似效果？
A Boosting
B Bagging
C Stacking
D Mapping
答案：B
Dropout可以认为是一种极端的Bagging，每一个模型都在单独的数据上训练，同时，通过和其他模型对应参数的共享，从而实现模型参数的高度正则化。
144.下列哪一项在神经网络中引入了非线性？
A 随机梯度下降
B 修正线性单元（ReLU）
C 卷积函数
D 以上都不正确
答案：（B）
修正线性单元是非线性的激活函数。
本期思考题：
145.在训练神经网络时，损失函数(loss)在最初的几个epochs时没有下降，可能的原因是？（）
A 学习率(learning rate)太低
B 正则参数太高
C 陷入局部最小值
D 以上都有可能
在评论区留言，一起交流探讨，让更多小伙伴受益。
参考答案在明天公众号上公布，敬请关注！