Вікторина, пов’язана з посібником · важко Рівень

Вікторина «Мережі ехо-стану та обчислення резервуарів».

Перевіряє фіксовану динаміку пласта, навчені зчитування, пам'ять про затухання, спектральний радіус і обчислення, що стоять за прогнозами пласта.

Пов'язані напрямні шляхиМережі стану відлуння та обчислення пластів
Питання 1 з 8

Які ваги насправді тренуються в мережі Echo State?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Які ваги насправді тренуються в мережі Echo State?
    • Тільки вихідні (зчитування) ваги
    • Усі повторювані ваги всередині резервуару
    • Лише вхідні ваги
    • Ніколи не тренуються обтяження
  2. Which condition expresses the echo state property for two runs with the same input history?
    • Their recurrent weights must all be trained by backpropagation
    • Their reservoir states eventually become independent of different initial states
    • Their output weights must have spectral radius exactly one
    • Their hidden states must equal the raw input at every step
  3. Чому навчання ESN відбувається набагато швидше, ніж навчання стандартного LSTM?
    • ESN не використовують нейрони взагалі
    • ESN працюють лише на квантових комп’ютерах
    • ESN уникають зворотного поширення через час, вирішуючи лише лінійне зчитування
    • ESN не потребують введення даних
  4. How is spectral radius commonly used when tuning an echo-state reservoir?
    • It directly sets the number of readout classes
    • It guarantees fading memory for every recurrent matrix
    • It measures the number of trainable reservoir weights
    • It is a recurrent-feedback scale heuristic for balancing rich dynamics and stability, not a complete guarantee of the echo state property
  5. Ким був запроваджений Liquid State Machines, форма резервуарних обчислень із імпульсними нейронами?
    • Вольфганг Маас
    • Джеффрі Хінтон
    • Андрій Нг
    • Йошуа Бенгіо
  6. What does the fixed reservoir compute before the ESN readout produces an output?
    • A normalized probability over all possible weights
    • A high-dimensional dynamic state representation of recent inputs
    • A learned transition table for every future sequence
    • A separate trained policy for each output class
  7. What method is commonly used to fit an Echo State Network’s readout weights?
    • Backpropagation through all fixed recurrent weights
    • Dynamic routing by agreement
    • Linear least-squares regression, often with ridge regularization
    • A softmax over reservoir eigenvalues
  8. What does the spectral radius of a recurrent weight matrix mean?
    • The sum of all matrix entries
    • The number of nonzero output weights
    • The average magnitude of the input sequence
    • The largest absolute value among its eigenvalues