ガイド連動クイズ · 中 レベル

リカレント ニューラル ネットワークに関するクイズ

反復状態、順序付けされた入力、勾配チャレンジ、ゲート、トレーニングの並列処理、数値の更新、トレーニング メモリの制限を確認します。

関連するガイドパスリカレント ニューラル ネットワーク
質問 1 の 8

What recurrent information does a conventional unidirectional RNN combine with each new input?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  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. LSTM と GRU はプレーンな RNN をどのように改善するのでしょうか?
    • ネットワークからすべてのメモリを削除します
    • 数値のみで機能し、テキストでは機能しません
    • データなしでトレーニングする
    • 彼らはゲートを使用して、どの情報を保持、更新、または破棄するかを制御します
  5. RNN はどのタイプのデータ向けに特に設計されていますか?
    • テキスト、音声、時系列などの連続データ
    • 順序のない単一の静止画
    • 順序のないランダムな数値
    • 3次元の建物の設計図のみ
  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?
    • 5
    • 1 つ
    • セブン
    • 4
  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