循环神经网络面试题25 题
- 01 RNN 有哪些输入输出类型？one-to-many、many-to-one 分别对应什么任务？
- 02 双向 RNN 是什么？它比单向 RNN 好在哪？
- 03 为什么很多序列任务从 RNN 转向 Transformer？
- 04 序列建模中 Padding 和 Masking 怎么处理？
- 05 循环神经网络（RNN）的基本原理是什么？
- 06 GRU 是什么？和 LSTM 有什么区别？
- 07 Seq2Seq 中为什么需要 Attention？
- 08 Seq2Seq（编码器-解码器）是什么？有什么局限？
- 09 Teacher Forcing 是什么？有什么问题？
- 10 注意力机制（Attention）是什么？它解决了什么问题？
- 11 CTC Loss 解决什么问题？
- 12 LSTM 的原理是什么？三个门分别起什么作用？
- 13 LSTM 为什么能缓解梯度消失？关键在哪里？
- 14 RNN 和 Transformer 有什么区别？为什么 Transformer 取代了 RNN？
- 15 RNN 为什么难以捕捉长距离依赖？梯度消失在 RNN 里为什么更严重？
- 16 序列长度分桶为什么能提升 RNN 训练效率？
- 17 RNN 的隐藏状态如何初始化？
- 18 Scheduled Sampling 解决 Teacher Forcing 的什么问题？
- 19 Seq2Seq 推理阶段和训练阶段有什么区别？
- 20 Truncated BPTT 是什么？为什么 RNN 训练需要截断反传？
- 21 Beam Search 在序列生成中如何工作？
- 22 LSTM 中 Dropout 应该加在哪里？
- 23 RNN 在线推理为什么可能延迟较高？
- 24 RNN 做时间序列预测要注意什么？
- 25 Stateful RNN 和 Stateless RNN 有什么区别？
没有符合条件的题目。