练习关于循环神经网络（RNN）的多选题，并给出答案。它是一个重要的机器学习模型，是卷积神经网络（CNN）的重要替代品。
如果你想复习这个概念，请阅读这些文章👇。
让我们从问题开始。点击正确的选项，答案将被解释。
问题1
递归神经网络的基本概念是什么？
根据训练集，使用以前的输入来寻找下一个输出。
在输入和输出之间使用一个循环，以实现更好的预测。
使用数据集的递归特征来找到最佳答案。
在最重要的特征之间使用循环来预测下一个输出。
在你训练你的RNN算法后，它根据你的输入来计算输出。重要的是，它计算的是一个又一个的输入，所以如果你有2个或更多的输入，它就会计算第一个输出并将其视为下一个输入来计算下一个输出。
问题2
什么RNN被用于并达到最佳效果？
手写和语音识别
手写和图像识别
语音和图像识别
金融预测
由于它的行为，RNN非常适合识别手写和语音，计算每个输入（例如字母/单词或音频文件的一秒钟），以找到正确的输出。基本上，RNN是用来处理信息序列的。
问题3
根据图像，对例1中的连接类型进行分类。
一对一
一对多
多对一
多对多
在一对一的情况下，我们有经典的前馈神经网络。
问题4
根据图片，对例2中的连接类型进行分类。
一对多
一对一
多对多
多对一
在一对多的应用中，我们只读取一次隐藏状态的数据，然后将该隐藏状态向前传递不同的时间段，在这一过程中我们还读取其中包含的信息。这种应用的一个例子是当我们想创建一个描述图像的模型时。在这种情况下，我们向隐藏状态读取一次图像，但我们对该隐藏状态进行多次读取，对图像描述中产生的每个词进行一次读取。
问题5
根据图像，对我们在例子3中的连接类型进行分类。
多对一
多对多
一对一
一对多
在多对一的情况下，我们多次读取数据，但只有在读完整个序列后才会产生预测。这种类型的应用的一个很好的例子是文本分类，如对感情的分析，在这种情况下，我们先阅读整个文本再进行预测。
问题6
根据图像，对我们在例4中的连接类型进行分类。
多对多
多对一
一对多
一对一
在这个多对多的应用案例中，我们在开始发布预测之前，会先读取几个时段的数据。换句话说，输入序列的读取和输出序列的输出之间存在着差异。这种应用的一个例子是机器翻译或音频转录的情况，在开始生成输出序列之前，RNR读取了一段时间的序列，无论是另一种语言的单词还是对应于音频的单词。
问题7
根据图像，对我们在例子5中的连接类型进行分类。
多对多
一对多
多对一
一对一
在这种情况下，多对多的应用是指我们在网络的输入和输出中有序列，但每个输入都对应着同一时间段的输出。这种类型的数据结构出现在时间序列和仪表盘数据中，在这种情况下，我们要对下一个时间段进行预测，因为这个时间段和之前的时间段发生了什么。
问题8
当我们谈论RNN的时候，什么是 "梯度"？
梯度是相对于其输入的部分导数。
它是RNN如何调用它的特征
RNN算法的最重要步骤
一个可以帮助你提高算法精度的参数
梯度衡量的是，如果你稍微改变一下输入，函数的输出会有多大变化。 梯度越高，斜率越陡，模型的学习速度越快。但如果斜率为零，模型就会停止学习。梯度只是衡量所有权重在误差变化方面的变化。
问题9
RNN的一个问题是 "爆炸性梯度"。那是什么？
当算法给权重分配一个愚蠢的高重要性，没有什么理由
当算法给权重分配了一个愚蠢的高重要性，因为更好的特征。
当算法给权重分配了一个愚蠢的高重要性，当你的数据集太大。
当你的数据太小的时候，算法给权重分配了一个愚蠢的高的重要性。
如果你截断或压扁梯度，这个问题就很容易解决了。
问题10
另一个RNN的问题被称为 "消失的梯度"。那是什么？
当梯度值太小，模型停止学习或因此花费太多时间。
当梯度值过大，模型停止学习或因此花费太多时间。
当梯度的值太小，模型因此而加入循环。
当梯度值过大，模型因此而进入循环。
这是20世纪90年代的一个主要问题，比爆炸性梯度更难解决。幸运的是，它通过Sepp Hochreiter和Juergen Schmidhuber的LSTM概念得到了解决。
问题11
LSTM？那是什么？
LSTM网络是对循环神经网络的扩展，它基本上扩展了它们的记忆。因此，它非常适用于从间隔时间很长的重要经验中学习。
LSTM网络是对递归神经网络的扩展，它基本上扩展了它们的记忆。因此，它非常适用于学习那些间隔时间非常短的重要经验。
LSTM网络是对递归神经网络的扩展，它基本上缩短了它们的记忆。因此，它非常适用于从重要的经验中学习，而这些经验之间的时间差非常小。
LSTM网络是对递归神经网络的扩展，它基本上延长了它们的记忆。因此，不建议使用它，除非你使用的是一个小数据集。
LSTM的单元被用作RNN层的构建单元，然后通常被称为LSTM网络。 LSTM使RNN在很长一段时间内记住它们的输入。这是因为LSTM的信息包含在一个存储器中，这很像计算机的存储器，因为LSTM可以从其存储器中读、写和删除信息。
通过OpenGenus的这些关于递归神经网络（RNN）的问题，你一定对递归神经网络（RNN）有一个很好的了解。请欣赏。
