循环神经网络（RNN）高频面试题及详细答案_1.docxVIP

循环神经网络（RNN）高频面试题及详细答案

一、基础概念类（入门必问）

1、什么是循环神经网络（RNN）？它和普通全连接神经网络、CNN的核心区别是什么？

参考答案：

RNN是一种专门用于处理序列数据的神经网络，核心特点是拥有记忆能力，能够捕捉数据的时序依赖关系。

三者核心区别：

1.全连接网络：输入、输出均为独立向量，层与层之间全连接，无记忆、无时序概念，无法处理有序列、前后关联的数据；

2.CNN：主打局部特征提取、权重共享，擅长图像这类空间结构数据，不具备时序记忆能力，无法记录数据的先后顺序；

3.RNN：网络层之间存在循环连接，每一步的输出会结合当前输入和上一时刻的隐藏状态，能够保留历史信息，适配文本、语音、时间序列等前后关联的数据。

2、RNN的核心结构是什么？简述单时刻的计算流程

参考答案：

RNN核心由输入层、隐藏层、输出层组成，其中隐藏层的循环结构是核心，也是记忆存储的载体。

单时刻计算流程（t时刻）：

1.接收当前时刻输入数据x_t，以及上一时刻传递过来的隐藏状态h_{t-1}；

2.通过权重矩阵U（输入权重）、W（隐藏层循环权重）计算当前隐藏状态，经过激活函数（tanh/relu）激活：h_t=tanh(U·x_t+W·h_{t-1}+b)；

3.基于当前隐藏状态h_t，通过输出权重矩阵V计算当前时刻输出o_t=sof