# 学前小测2-3

**内容：** RNN与LSTM/GRU

**页面标题：** KP2-3 RNN与LSTM/GRU-学前小测

**题数：** 6

## 第1题（单选题）

RNN类模型能够建模时序数据时间依赖关系的核心基础是？

- A. 采用卷积操作提取局部特征

- B. 通过递归更新的隐状态携带序列历史信息

- C. 使用全连接层映射高维特征

- D. 对输入时序数据做归一化处理

**正确答案：** B

**答案解析：**

RNN通过随时间步递归更新的隐状态保存历史信息，从而建模时序数据的时间依赖关系。

**知识点：** 隐状态(hidden state)传递

## 第2题（多选题）

下列不同循环结构的适用场景与特性描述，符合工程经验法则的有？

- A. 普通RNN适合作为短序列任务的基线模型，训练速度快但长期依赖建模能力差

- B. GRU参数量适中，训练速度较快，可作为多数时序任务的默认建模起点

- C. LSTM参数量较多，训练速度较慢，更适合长序列、数据量充足的场景

- D. 任何场景下LSTM的性能都一定优于GRU，不需要对比实验

**正确答案：** ABC

**答案解析：**

普通RNN参数量少训练快但长期依赖建模能力差，适合短序列基线；GRU参数量中等训练较快，可作为默认建模起点；LSTM参数量多训练慢，适合长序列、数据充足场景；二者性能不存在绝对优劣，需通过实验对比确定。

**知识点：** GRU门控简化

## 第3题（多选题）

下列关于普通RNN梯度传播问题的说法，正确的有？

- A. 沿时间反向传播过程中存在多次梯度连乘操作

- B. 序列长度越长，梯度累积的乘法次数越多

- C. 处理任何长度的序列都一定会出现梯度消失

- D. 出现梯度爆炸时，可通过梯度裁剪缓解训练异常

**正确答案：** ABD

**答案解析：**

普通RNN沿时间反向传播存在多次梯度连乘，序列越长连乘次数越多，可能引发梯度消失或梯度爆炸，并非一定会出现梯度消失；梯度爆炸可通过梯度裁剪限制梯度范数，缓解训练不稳定问题。

**知识点：** 梯度消失问题；梯度爆炸问题

## 第4题（判断题）

GRU的更新门取值接近1时，新的隐藏状态更偏向保留旧的历史状态；取值接近0时更偏向写入新的候选状态。

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

GRU更新门满足$h_t=(1-z_t)\odot h_{t-1} + z_t\odot \tilde{h}_t$，当$z_t$接近1时更偏向写入新候选状态，接近0时更偏向保留旧的历史状态。

**知识点：** GRU:更新门

## 第5题（单选题）

下列关于RNN沿时间展开结构与隐状态传递的说法，符合其计算逻辑的是？

- A. 展开后每个时间步使用独立的权重参数，因此可以处理任意长度序列

- B. 隐状态仅由当前时刻的输入决定，与历史输入无关联

- C. 展开后的计算图深度等于输入序列长度，反向传播时梯度需要沿时间步逐次传递

- D. 隐状态在每个时间步更新后不会传递到下一个时间步，仅用于当前时刻输出

**正确答案：** C

**答案解析：**

RNN沿时间展开后深度等于序列长度，各时间步共享参数，隐状态由上一时刻隐状态和当前输入共同决定并向后传递，反向传播需沿时间链计算梯度；选项A错误，RNN是参数共享而非各时间步独立参数；选项B、D违背隐状态递归传递的基本逻辑。

**知识点：** RNN结构与时间展开；隐状态(hidden state)传递

## 第6题（判断题）

RNN沿时间展开后，所有时间步共享同一组权重参数，当前时刻隐状态由上一时刻隐状态和当前输入共同决定。

- A. 对

- B. 错

**正确答案：** 对

**答案解析：**

RNN采用时间维参数共享机制，隐状态递归更新，同时接收历史隐状态和当前输入的信息，实现序列建模。

**知识点：** RNN结构与时间展开；隐状态(hidden state)传递