Повтарящ се тест за невронни мрежи

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква повтаряща се информация конвенционалната еднопосочна RNN комбинира с всеки нов вход?
   • Only the previous printed prediction with no internal state
   • A fresh unrelated dataset at every step
   • The previous hidden state
   • No parameters or intermediate information
2. Как трябва да се разбира скрито състояние на RNN?
   • An evolving internal representation that may summarize earlier inputs
   • A guaranteed lossless archive of every earlier input
   • The network's entire training dataset on disk
   • Only a final class label with no intermediate role
3. Каква трудност при обучението може да възникне от разпространението на RNN градиенти през много времеви стъпки?
   • A guarantee that every hidden state grows without bound
   • Vanishing or exploding gradient magnitudes
   • An automatic change from speech to image inputs
   • Permanent deletion of the training objective
4. Как LSTM и GRU подобряват обикновените RNN?
   • Те премахват цялата памет от мрежата
   • Те работят само с числа, не и с текст
   • Те тренират без никакви данни
   • Те използват портали, за да контролират каква информация да съхраняват, актуализират или изхвърлят
5. За какъв тип данни са специално предназначени RNN?
   • Последователни данни като текст, реч и времеви редове
   • Единични снимки без ред
   • Случайни неподредени числа
   • Само триизмерни чертежи на сгради
6. What training-computation difference does the original transformer architecture offer compared with a conventional sequential RNN?
   • Guaranteed fully parallel autoregressive generation
   • A guarantee that no training examples are needed
   • More parallel computation across training positions and direct attention interactions
   • A model with no learned parameters
7. In the stated linear recurrent illustration h-new equals one-half h-previous plus x, what is h-new for h-previous two and x three?
   • Пет
   • един
   • Седем
   • Четири
8. Why does a fixed-size RNN inference state not establish constant memory for full-sequence training?
   • Training never uses intermediate values
   • Backpropagation through time may store or recompute information across many steps
   • Every model deletes its parameters before learning
   • A fixed state guarantees every historical input is retained exactly