Quiz lié à un guide · Moyen Niveau

Quiz récurrent sur les réseaux de neurones

Passez en revue les états récurrents, les entrées ordonnées, les défis de gradient, les portes, le parallélisme d'entraînement, les mises à jour numériques et les limites de mémoire d'entraînement.

Chemins de guidage associésRéseaux de neurones récurrents
Question 1 de 8

Quelles informations récurrentes un RNN unidirectionnel conventionnel combine-t-il à chaque nouvelle entrée ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Quelles informations récurrentes un RNN unidirectionnel conventionnel combine-t-il à chaque nouvelle entrée ?
    • Uniquement la prédiction imprimée précédente sans état interne
    • Un nouvel ensemble de données sans rapport à chaque étape
    • L'état caché précédent
    • Aucun paramètre ni information intermédiaire
  2. Comment comprendre un état caché RNN ?
    • Une représentation interne évolutive qui peut résumer les entrées antérieures
    • Une archive garantie sans perte de chaque entrée antérieure
    • L'ensemble des données d'entraînement du réseau sur disque
    • Seulement une étiquette de classe finale sans rôle intermédiaire
  3. Quelle difficulté de formation peut résulter de la propagation des gradients RNN sur de nombreux pas de temps ?
    • Une garantie que chaque état caché se développe sans limite
    • Magnitudes de gradient qui disparaissent ou explosent
    • Un passage automatique des entrées vocales aux entrées image
    • Suppression définitive de l'objectif de formation
  4. Comment les LSTM et les GRU s’améliorent-ils par rapport aux RNN simples ?
    • Ils suppriment toute la mémoire du réseau
    • Ils ne fonctionnent que sur les chiffres, pas sur le texte
    • Ils s'entraînent sans aucune donnée
    • Ils utilisent des portes pour contrôler les informations à conserver, à mettre à jour ou à supprimer.
  5. Pour quels types de données les RNN sont-ils spécialement conçus ?
    • Données séquentielles telles que le texte, la parole et les séries chronologiques
    • Photographies individuelles sans ordre
    • Nombres aléatoires non ordonnés
    • Plans de construction en trois dimensions uniquement
  6. Quelle différence de calcul de formation l'architecture de transformateur d'origine offre-t-elle par rapport à un RNN séquentiel conventionnel ?
    • Génération autorégressive entièrement parallèle garantie
    • Une garantie qu’aucun exemple de formation n’est nécessaire
    • Calculs plus parallèles entre les positions de formation et les interactions d'attention directe
    • Un modèle sans paramètres appris
  7. Dans l'illustration linéaire récurrente indiquée, h-nouveau est égal à la moitié de h-précédent plus x, qu'est-ce que h-nouveau pour h-précédent deux et x trois ?
    • Cinq
    • Un
    • Sept
    • Quatre
  8. Pourquoi un état d'inférence RNN de taille fixe n'établit-il pas de mémoire constante pour l'entraînement en séquence complète ?
    • La formation n'utilise jamais de valeurs intermédiaires
    • La rétropropagation dans le temps peut stocker ou recalculer des informations en plusieurs étapes
    • Chaque modèle supprime ses paramètres avant d'apprendre
    • Un état fixe garantit que chaque entrée historique est conservée exactement