Quelle est la fonction principale des LSTM dans les réseaux de neurones ?

• Optimiser les poids des couches denses

• Capturer les dépendances temporelles à long terme

• Réduire la complexité du réseau

• Supprimer les gradients explosifs

Quelle porte dans un LSTM contrôle l'information à conserver dans l'état mémoire ?

• Porte d'entrée (Input Gate)

• Porte de sortie (Output Gate)

• Porte d'oubli (Forget Gate)

• Porte de transfert (Transfer Gate)

Quelle est la principale différence entre LSTM et GRU (Gated Recurrent Units) ?

• Les GRU n'ont pas de porte d'entrée

• Les LSTM utilisent plus de portes que les GRU

• Les GRU ne peuvent pas gérer les dépendances à court terme

• Les LSTM sont moins efficaces en calcul

Que signifie "Bidirectional LSTM" ?

• Un LSTM qui traite les données dans deux directions : passé et futur

• Un LSTM avec deux états mémoire indépendants

• Un LSTM qui combine deux couches cachées

• Un LSTM utilisant une fonction sigmoïde bidirectionnelle

Dans une architecture "Stacked LSTM", que signifie "stacked" ?

• Plusieurs couches LSTM empilées pour plus de complexité

• Un réseau LSTM bidirectionnel

• Une connexion directe entre les portes d'entrée et d'oubli

• Une réduction de la taille des états cachés

Quelle variante de LSTM inclut des connexions entre les portes et l'état mémoire via des entrées supplémentaires ?

• Peephole LSTM

• Stacked LSTM

• GRU

• Bidirectional LSTM

Quel est l'avantage principal des GRU par rapport aux LSTM classiques ?

• Ils sont plus simples et plus rapides à entraîner

• Ils capturent mieux les dépendances à long terme

• Ils sont meilleurs pour les problèmes d'image

• Ils utilisent plus de mémoire pour plus de précision

Quel est le rôle de la porte de sortie (Output Gate) dans un LSTM ?

• Décider quelles informations ajouter à l'état mémoire

• Contrôler la sortie finale du réseau

• Oublier les informations inutiles

• Filtrer les gradients

Dans les réseaux Bidirectional LSTM, comment les sorties des deux directions sont-elles combinées ?

• Moyenne des deux

• Concatenation des sorties des deux directions

• Seulement la sortie de la direction avant est utilisée

• Une fonction sigmoïde applique un filtre aux deux

Pourquoi utiliser une architecture Stacked LSTM ?

• Pour mieux capturer des relations complexes et hiérarchiques

• Pour réduire le nombre de paramètres

• Pour se passer des états cachés

• Pour remplacer les GRU dans les tâches de vision par ordinateur