Offer 驾到，掘友接招！我正在参与2022春招打卡活动，点击查看活动详情。
1、如何解决RNN梯度爆炸和消失的问题？
梯度爆炸：当梯度大于一定阈值时，将它截断为一个较小的数。
梯度消失：激活函数选择Relu函数。
2、RNN的经典结构？
1对1：输入和输出一致，
1对多：有1对N或N对1，1对N的场景有负荷分解，图像生成文字，类别生成语音或音乐等，N对1针对于序列分类。
多对多：有N对N或N对M，N对N的场景有语音处理，时间序列，N对M的场景是机器翻译，文本摘要，阅读理解等，常见模型是encoder-decoder模型。
3、为什么LSTM模型中既存在sigmoid又存在tanh两种激活函数，而不是选择统一一种sigmoid或者tanh？这样做的目的是什么？
sigmoid函数被用作各个门上，产生0~1之间的值，来判断是对信息进行记住还是遗忘。
tanh用在了状态和输出上，是对数据的处理，可以替换成其他激活函数。
4、LSTM为什么能保留长期记忆？
LSTM的第一步是决定我们会从细胞状态中丢弃什么信息。这个通过遗忘门进行判断，具体结构如图：
下一步是确定什么样的新信息被保存在细胞状态C中，包含两个部分：sigmoid决定什么值我们将要更新，一个tanh层创建一个新的候选值向量，并加入到状态中。
更新细胞状态，即（）：
最后，我们需要确定输出的值，这个输出会基于细胞状态。
5、GRU和LSTM的区别？
GRU是Gated Recurrent Units，是循环神经网络的一种。
GRU只有两个门（update和reset），LSTM有三个门（input，output，forget），GRU直接将hidden state传给下一单元，LSTM通过记忆单元将hidden state包装起来。
