🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
🔄
权重共享的秘密RNN在所有时间步共享同一组参数——无论序列多长，参数量不变。这意味着RNN本质上是"一个网络被展开很多次"，而非"很多个网络串联"。这种设计让它可以处理任意长度的序列，但也埋下了梯度消失的隐患：梯度要穿越所有时间步的同一组权重。
一句话总结
💡
RNN在每个时间步接收当前输入和上一时刻隐藏状态，计算新的隐藏状态和输出，权重在各时间步共享。
常见误区
这些坑别踩
✗
误区 1
每个时间步的RNN权重不同。
✓
正确理解
RNN的核心特点是权重在所有时间步共享，这不仅减少参数量，还使模型能处理变长序列，不同时间步用的是同一组参数。
✗
误区 2
隐藏状态和输出是同一个东西。
✓
正确理解
隐藏状态是内部记忆，输出是经过输出层变换的结果，两者通常不同，隐藏状态可能维度与输出不同，可以有多对一、一对多等不同结构。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
标准 RNN 在时间步 t 的隐藏状态更新公式为？
2
"RNN 沿时间展开"（unfolding/unrolling）的含义是？
3
在 RNN 的输出层，若要做序列分类，通常如何处理隐藏状态？
4
关于 RNN 前向计算中的激活函数选择，下列说法正确的是？
面试经典题
共 4 题 · 先思考再看答案
1
基础
请写出标准 RNN 的前向计算公式，并解释每个符号的含义。
2
中等
解释 RNN 的"时间展开"图，并说明它如何帮助理解前向与反向传播。
3
困难
RNN 的隐藏状态 h_t 是否等价于对历史输入的某种"加权求和"？请分析。
4
中等
在序列到序列（如分类、生成）任务中，RNN 的输入输出有哪些常见对齐方式？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺