第 21 章练习与参考答案全部数字为原创教学设定先算再运行。 关于《AI 零基础 36 讲》课后训练与正式讲解配套学习本篇是《AI 零基础 36 讲》的配套课后训练与对应章节的正式讲解一起使用。整个系列面向初学者从日常 AI使用逐步进入编程、模型训练和大模型应用开发。✍️先独立作答再核对答案训练围绕本章知识安排概念判断、结果分析或动手任务并提供参考答案与解释。建议先读完对应的正式文章再独立作答遇到困难时回看相关例子最后核对答案。代码题请亲手运行观察程序输出确认自己能解释结果、发现错误并完成修复。做完一道题也要弄清答案为什么成立。练习初始输入[1, 2]的两个加权和是什么经过 ReLU 后又是什么输入改成[2, 1]保持初始参数最终输出是多少输出偏置从 0.5 改到 1.0初始输入的预测怎样变化为什么x * W1不能代替x W1本章两种输出各是什么形状用两个隐藏节点计算ReLU(x) ReLU(-x)输入为 -3 时输出多少删掉激活函数后呢输出偏置初始梯度为 3学习率 0.02更新后多少二十次拟合一条记录能否证明新数据可靠参考答案第一题加权和为[2.5, -0.5]激活后为[2.5, 0]最终输出 5.5。第二题第一节点为2 × 0.5 1 × 1 2第二节点为2 × (-1) 1 × 0.5 - 0.5 -2激活后为[2, 0]输出 4.5。第三题预测增加 0.5变为 6.0。这一改动发生在最后的加法处不改变两个隐藏节点。fromexamples.network_coreimportinitial_parameters,forward parametersinitial_parameters()print(第二题,forward([2,1],parameters))parameters[b2]parameters[b2]0.5print(第三题,forward([1,2],parameters)[output])第四题*为逐元素乘法当前广播结果为(2, 2)完成加权求和结果为(2,)。本章形状检查与手算应一起使用因为方阵转置后可能形状相同但含义错误。第五题得到 3移除激活后为零。这个网络由人工指定权重只展示表达能力没有训练证据。第六题为0.5 - 0.02 × 3 0.44。仅一条训练记录的低损失无法证明新样本可靠应保留验证和测试数据评估。fromexamples.network_coreimportX,TARGET,initial_parameters,gradients,update parametersinitial_parameters()new_parametersupdate(parameters,gradients(X,TARGET,parameters),rate0.02)print(输出偏置,new_parameters[b2])assertabs(float(new_parameters[b2])-0.44)1e-12如果想检查一个梯度可从差分对照表中挑出 W1 的第一项。解析值为 6数值差分约为 6两者的小差异来自浮点计算。
