Tekrarlayan Sinir Ağları Testi

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

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'ler ve GRU'lar düz RNN'lere göre nasıl gelişir?
   • Ağdaki tüm belleği kaldırırlar
   • Metin üzerinde değil, yalnızca sayılar üzerinde çalışırlar
   • Hiçbir veri olmadan eğitim veriyorlar
   • Hangi bilgilerin tutulacağını, güncelleneceğini veya atılacağını kontrol etmek için kapıları kullanırlar
5. RNN'ler özellikle hangi tür veriler için tasarlanmıştır?
   • Metin, konuşma ve zaman serisi gibi sıralı veriler
   • Sırasız tek hareketsiz fotoğraflar
   • Rastgele sırasız sayılar
   • Yalnızca üç boyutlu bina planları
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?
   • Beş
   • Bir
   • Yedi
   • Dört
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