Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący powtarzających się sieci neuronowych

Przejrzyj powtarzające się stany, uporządkowane dane wejściowe, wyzwania gradientowe, bramki, równoległość uczenia, aktualizacje numeryczne i limity pamięci szkoleniowej.

Powiązane ścieżki prowadząceRekurencyjne sieci neuronowe
Pytanie 1 z 8

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

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  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. W jaki sposób LSTM i GRU poprawiają się w przypadku zwykłych RNN?
    • Usuwają całą pamięć z sieci
    • Działają tylko na liczbach, a nie na tekście
    • Trenują bez żadnych danych
    • Używają bramek do kontrolowania, jakie informacje zachować, zaktualizować lub odrzucić
  5. Do jakich typów danych są specjalnie zaprojektowane sieci RNN?
    • Dane sekwencyjne, takie jak tekst, mowa i szeregi czasowe
    • Pojedyncze zdjęcia bez kolejności
    • Losowe liczby nieuporządkowane
    • Tylko trójwymiarowe plany budynków
  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?
    • Pięć
    • Jeden
    • Siedem
    • Cztery
  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