Coursera上的deep learning在线课程可以说是深度学习最经典的入门教程，其讲师Andrew Ng在业界赫赫有名。目前该套课程已经授权给网易云课堂，我们可以在网易云课堂上免费学习该课程。但有点不好的是，网易云课堂上的课程没有配套的习题和编程练习。个人认为，除了听课之外，必要的练习和编程也是必需的，所以我还是上Coursera上注册了该课程。如果想省钱的话，可以先上网易云课堂把课程听完，然后去Coursera上注册课程，在7天试用期之内完成习题和编程训练，就可以免费了。
Coursera上的习题可以重复提交，取最高的成绩，所以每次提交后只会告诉对错，但不指明错误的地方。对于初学者而言，可能希望弄明白到底错在哪儿，所以在此分析一下习题的答案，供大家参考。
deep learning一共包含5门子课程，分别是：[神经网络和深度学习]、[改善深层神经网络：超参数调试、正则化以及优化]、[结构化机器学习项目]、[卷积神经网络]和[序列模型]。下面分析[卷积神经网络]课程：The basics of ConvNets部分的习题。
注：为了避免记答案，coursera上的习题每次进去都有所变化，不过大体都是差不多，通常只是调整次序。
这个题目有一定的迷惑性，课程上列举的边缘检测过滤器有如下几种：
都不符合题目中的过滤器，但如果我们仔细观察这个矩阵，会发现其基本按照列对称，但符号相反，可以判断出是用来实现垂直边缘检测，所以答案是选项4。
这个题目需要注意输入是RGB通道，所以300x300x3x100=27000000，加上bias: 1x100，和是27000100，答案是选项4。
这个题目不要被输入图像的宽高所迷惑，对于卷积网络而言，我们就是需要找到过滤器中的参数值，本题中过滤器大小为5x5，一个过滤器的参数为25x3(通道数和输入图像相同，数量是3)，加上bias，就是76，最后的答案就是76x100，答案是选项4。
这个使用(n 2p-f)/s 1公式计算，n=63, p=0，f=7，s=2，结果是29，卷积计算输出的通道数等于过滤器的个数，所以答案是选项3。
填充后，宽高都要增加2p，通道数量不受影响，所以答案是选项4: 19x19x8
根据公式2p-f 1=0，可以计算出p=3，所以答案是选项3。
这个题目比较容易，同样使用(n 2p-f)/s 1，不改变通道数，答案是选项3。
池化层没有需要求解的参数，但有超参数，比如过滤器大小、步长、选择max pooling还是average pooling，同样影响反向梯度递减运算的结果，所以答案是选项2：False。
选项1明显错误，一个任务上学习到的参数无法直接应用到另外一个任务上。
参数越多，需要的训练样本越多，才能避免过拟合，减少参数可以避免过拟合是正确的。
课程上并没有说梯度递减计算出的参数值为0，而是说会减少参数，所以这个选项是错误的。
这个在课程上有讲到： A feature detector(such as a vertical edge detector) that’s useful in one part of the image is probably useful in another part of the image.
综合以上，该题的答案是：2、4
稀疏连接的好处在课程中有明确的说明，答案是：选项4。
