বারবার নিউরাল নেটওয়ার্ক কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. What recurrent information does a conventional unidirectional RNN combine with each new input?
   • 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. How should an RNN hidden state be understood?
   • 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. Which training difficulty can arise from propagating RNN gradients through many time steps?
   • 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. কিভাবে LSTMs এবং GRUs প্লেইন RNN তে উন্নতি করে?
   • তারা নেটওয়ার্ক থেকে সমস্ত মেমরি মুছে ফেলে
   • তারা শুধুমাত্র সংখ্যায় কাজ করে, টেক্সট নয়
   • তারা কোনো তথ্য ছাড়াই প্রশিক্ষণ দেয়
   • কোন তথ্য রাখা, আপডেট করা বা বাতিল করা উচিত তা নিয়ন্ত্রণ করতে তারা গেট ব্যবহার করে
5. আরএনএনগুলি কোন ধরণের ডেটার জন্য বিশেষভাবে ডিজাইন করা হয়েছে?
   • পাঠ্য, বক্তৃতা এবং সময় সিরিজের মতো অনুক্রমিক ডেটা
   • সিঙ্গেল স্থির কোন অর্ডার ছাড়া ছবি
   • এলোমেলো ক্রমহীন সংখ্যা
   • শুধুমাত্র ত্রিমাত্রিক বিল্ডিং ব্লুপ্রিন্ট
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?
   • পাঁচ
   • এক
   • সাত
   • চার
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