आवर्ती तंत्रिका नेटवर्क प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

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. सादे आरएनएन पर एलएसटीएम और जीआरयू कैसे सुधार करते हैं?
   • वे नेटवर्क से सारी मेमोरी हटा देते हैं
   • वे केवल संख्याओं पर काम करते हैं, पाठ पर नहीं
   • वे बिना किसी डेटा के प्रशिक्षण लेते हैं
   • वे यह नियंत्रित करने के लिए गेट्स का उपयोग करते हैं कि कौन सी जानकारी रखनी है, अपडेट करनी है या छोड़नी है
5. आरएनएन विशेष रूप से किस प्रकार के डेटा के लिए डिज़ाइन किए गए हैं?
   • पाठ, भाषण और समय श्रृंखला जैसे अनुक्रमिक डेटा
   • बिना किसी ऑर्डर के एकल स्थिर तस्वीरें
   • यादृच्छिक अव्यवस्थित संख्याएँ
   • केवल त्रि-आयामी भवन ब्लूप्रिंट
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?
   • पांच
   • एक
   • सात
   • चार
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