神经网络：随堂测验#
随堂测验： 共 5 题，你必须至少答对 4 题才能通过。
请勿作弊！等你确认已经掌握本模块的全部内容之后，再回来作答。
5 道题，把「神经网络」这一整章串起来验收一遍：训练时网络到底自动学到了什么、ReLU 碰到负数取什么值、线性模型与神经网络的训练算法差在哪一步、哪些超参数能救梯度爆炸，以及当一只狗可能同时属于好几个犬种时，前面讲过的几种分类模型还有谁能接得住。
单看每一题都不算难，但每一道都容易卡在一个特别容易含糊过去的点上，所以建议你先把 5 题全部做完，再逐题展开折叠区对照答案与解析。因为做一道题对一道题，很容易把「想得起来」误当成「真懂」。
第 1 题：神经网络在训练时自动学到了什么#
补全下面这句话：
神经网络模型在训练过程中可以自动学到 ___ 。
A. 激活函数（ Activation functions）
B. 超参数（Hyperparameters）
C. 非线性特征交叉（Nonlinear feature interactions）
D. 损失函数（The loss function）
第 2 题：算一算 ReLU(–3)#
计算下面这个表达式的值：ReLU(–3)
A. –3
B. 0
C. 3
D. 9
第 3 题：神经网络的训练算法多了一步#
线性模型通常使用梯度下降来训练。神经网络在此之外还会额外使用 ___ 算法。
A. Sigmoid
B. 隐藏层
C. 激活函数
D. 反向传播
第 4 题：降低学习率能救梯度爆炸吗#
判断正误：降低学习率有助于防止神经网络训练时出现梯度爆炸。
A. 正确（True）
B. 错误（False）
第 5 题：一只狗可能属于好几个犬种#
你正在训练一个图像分类模型，要根据一张狗的照片预测它的犬种（可能不止一个），候选类别来自国际 FCI 犬种名录 给出的纯种犬种列表。模型既要能认出纯种犬，也要能认出混种犬。你应该用哪种分类模型？
A. 二元分类
B. 一对多（one-vs-all）
C. 一对一（多类别 softmax）
D. 以上都不是
MLWM： 激活函数各自的曲线与适用场景，参见「激活函数原理：Sigmoid、Tanh、ReLU与LeakyReLU」；反向传播怎么把误差传回每一层、梯度消失与梯度爆炸怎么处理，参见「反向传播与梯度下降：梯度消失与爆炸的解决方法」；多类别与多标签的差别，参见「多分类原理教程」。
做完之后可以回头对照一下：哪一题需要回去重读，就回到对应的小节——神经网络自动学到的交叉看神经网络简介，节点的取值怎么一层层传下去看节点和隐藏层，ReLU 的截断规则看激活函数，梯度消失与梯度爆炸看使用反向传播训练，动手改参数看交互式练习，单标签与多标签的区别看多类别分类。