# 学前小测2-4

**内容：** 双向结构与TCN

**页面标题：** KP2-4 双向结构与TCN-学前小测

**题数：** 6

## 第1题（多选题）

下列关于双向循环类结构（BiRNN、BiLSTM、BiGRU）的说法，正确的有哪些？

- A. 仅能在推理时可获得完整序列记录的离线任务中使用

- B. 可同时利用当前位置的历史信息与未来信息提升建模效果

- C. 可直接用于实时设备状态预警等在线流式任务

- D. 本质上属于循环神经网络类结构，存在串行计算的特性

**正确答案：** ABD

**答案解析：**

双向循环结构由两个方向相反的循环单元组成，可同时利用双向上下文，但仅适用于推理可获取完整序列的离线场景，属于RNN类结构，计算为串行模式，无法直接用于无未来信息的实时在线任务。

**知识点：** 双向RNN(BiRNN)；BiLSTM；BiGRU

## 第2题（多选题）

关于BiLSTM与BiGRU的门控机制差异，下列分析正确的有：

- A. LSTM的遗忘门和输入门独立运作，允许同时执行“忘记旧信息”和“写入新信息”

- B. GRU的更新门$z_t$同时承担遗忘和输入功能，$z_t$接近1时表示保留旧状态

- C. LSTM的输出门决定了细胞状态向隐藏状态的暴露程度，提供额外抽象层

- D. GRU因无输出门，其隐藏状态直接等于细胞状态，信息泄露风险更高

**正确答案：** AC

**答案解析：**

**选项 A（正确）**：LSTM 拥有独立的遗忘门（Forget Gate, $f_t$）和输入门（Input Gate, $i_t$）。由于两者是分别计算的，因此能够独立地控制遗忘过去的历史信息与写入当前的新信息。该描述符合 LSTM 标准定义，不受符号约定影响。

**选项 B（错误）**：GRU 将遗忘门与输入门合并为单一的更新门（Update Gate, $z_t$）。**根据 PPT 中的标准公式**：

$$
h_t=(1-z_t)\odot h_{t-1}+z_t\odot\tilde h_t.
$$

PPT 中明确标注了：当 $z_t\to0$ 时，$(1-z_t)\to1$，此时 $h_t\approx h_{t-1}$。这意味着**当 $z_t$ 趋近于 0 时，历史状态近似恒等传递，有利于保留长期信息**。

反之，当 $z_t$ 接近 1 时，$(1-z_t)$ 接近 0，前项权重趋近 0，此时网络会丢弃旧隐藏状态，最大化采纳新的候选状态 $\tilde h_t$。

原题解析中称“当 $z_t$ 接近 1 时……最大化保留前一时刻的旧隐藏状态”，这是基于相反的公式约定（$h_t=z_t\odot h_{t-1}+(1-z_t)\odot\tilde h_t$）得出的结论。**在课程教学使用的 PPT 体系下，选项 B 的表述是错误的**。

**选项 C（正确）**：LSTM 包含输出门（Output Gate, $o_t$），用于控制细胞状态（Cell State, $C_t$）过滤输出到隐藏状态（Hidden State, $h_t$）的程度（$h_t=o_t\odot\tanh(C_t)$），起到了额外的筛选与抽象作用。该描述正确。

**选项 D（错误）**：GRU 移除了独立的细胞状态（Cell State），只有隐藏状态 $h_t$，因此不存在“隐藏状态直接等于细胞状态”的说法；“信息泄露风险更高”也不属于神经网络门控机制的标准表达或设计缺陷。该选项判定为错误是合理的。

[核对图片原文](原始截图/学前小测2-4_第2题解析.jpg)

**知识点：** BiLSTM

## 第3题（单选题）

在设计TCN时，若将膨胀卷积的膨胀率序列从 $[1,2,4,8]$ 改为 $[1,1,2,4]$，其他结构不变，则该修改对模型时序建模能力的影响是：

- A. 感受野扩大，但局部细节捕捉能力下降

- B. 感受野缩小，但对近期历史的分辨率提高

- C. 感受野不变，但训练稳定性显著提升

- D. 感受野扩大，且并行计算效率提高

**正确答案：** B

**答案解析：**

原序列最大感受野对应膨胀率累积效果更强；新序列前两层膨胀率为1，相当于堆叠普通因果卷积，增强了最近 $k$ 步内的细粒度特征提取，但因高层膨胀率减小，整体感受野缩短。这种设计适合强调近期上下文的场景。选项A、D错误，感受野实际缩小；选项C错误，感受野发生变化。

**知识点：** 膨胀卷积(dilated convolution)；长感受野构建

## 第4题（单选题）

双向RNN类模型（BiRNN/BiLSTM/BiGRU）在在线推理时无法真正实现“双向”，因为未来信息不可得。下列哪种做法是在实际部署中最合理的近似双向建模方案？

- A. 仅使用前向RNN，忽略后向分支

- B. 使用滑动窗口截取固定长度子序列，在窗口内运行完整BiRNN

- C. 将后向RNN替换为TCN以模拟未来上下文

- D. 延迟输出，等待足够未来帧后再进行双向推理

**正确答案：** B

**答案解析：**

在线场景中，可通过缓冲一段历史数据形成局部窗口，在窗口内执行双向推理，既保留部分后向上下文，又满足实时性约束。这是工业界常用折中方案。选项A完全放弃双向优势；选项C混合架构未必优于纯BiRNN窗口化；选项D虽可行但引入固定延迟，不如窗口灵活。

**知识点：** 双向RNN(BiRNN)；BiLSTM；BiGRU

## 第5题（判断题）

BiGRU相比BiLSTM减少了门控数量，因此在所有序列建模任务上都表现更差。【答案】错

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

虽然BiGRU结构更简单，但在许多任务上性能与BiLSTM相当甚至更好，尤其在数据量小或过拟合风险高时。"所有任务都更差"是错误绝对化表述。

**知识点：** BiGRU

## 第6题（判断题）

在实时系统中，若TCN的感受野大于任务所需的最大依赖长度，继续增加层数或膨胀率不会带来任何收益，反而增加计算负担。

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

超出必要感受野的额外容量可能提供更强的特征抽象能力或冗余鲁棒性。例如，在噪声环境中，更大的感受野有助于通过更广的上下文平均抑制干扰。此外，某些任务的最优依赖长度未知，预留余量是合理设计策略。该陈述错误地将“足够”等同于“最优”。

**知识点：** 时间卷积网络(TCN)