引导式测验 · 硬 等级
Echo State 网络和油藏计算测验
检查固定储层动态、经过训练的读数、衰落记忆、光谱半径以及储层预测背后的计算。
问题 1 的 8
在回声状态网络中，实际训练了哪些权重？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 在回声状态网络中，实际训练了哪些权重？
- 仅输出（读出）权重
- 水库内的所有循环重量
- 仅输入权重
- 从未训练过重量
- 哪个条件表示具有相同输入历史的两轮运行的回声状态属性？
- 它们的循环权重必须全部通过反向传播进行训练
- 它们的储层状态最终会与不同的初始状态无关
- 它们的输出权重的谱半径必须正好等于一
- 它们的隐藏状态必须在每一步都等于原始输入
- 为什么训练 ESN 比训练标准 LSTM 快得多？
- ESN 根本不使用神经元
- ESN 仅在量子计算机上运行
- ESN 仅通过求解线性读数来避免时间反向传播
- ESN 不需要输入数据
- 在调优回声状态储备时，谱半径通常如何使用？
- 它直接设置了读出类别的数量
- 它保证了每个循环矩阵都具有衰减记忆
- 它测量可训练储层权重的数量
- 它是一个用于平衡丰富动力学和稳定性的循环反馈尺度启发式方法，而不是回声状态特性的完全保证
- 液体状态机是一种尖峰神经元形式的储存器计算，是由谁引入的？
- 沃尔夫冈·马斯
- 杰弗里·辛顿
- 吴恩达
- 约书亚·本吉奥
- 在ESN读出产生输出之前，固定的储层计算什么？
- 所有可能权重的归一化概率
- 近期输入的高维动态状态表示
- 针对每个未来序列的已学习转移表
- 每个输出类别对应的单独训练策略
- 通常使用什么方法来拟合回声状态网络的读出权重？
- 通过所有固定循环权重进行反向传播
- 基于一致性的动态路由
- 线性最小二乘回归，通常带有岭正则化
- 对储层特征值进行softmax运算
- 循环权重矩阵的谱半径是什么意思？
- 所有矩阵条目的总和
- 非零输出权重的数量
- 输入序列的平均幅度
- 其特征值中的最大绝对值