下列关于RNN说法正确的是（）。

A.RNN引入了循环的概念

B.LSTM可以防止梯度消失或者爆炸

C.GRU是LSTM的变体

D.RNN、LSTM、GRU是同一神经网络的不同说法，没有区别

A.语言模型与文本生成

B.机器翻译

C.语音识别

D.图像描述生成

A.用改良的网络结构比如LSTM和GRUs

B.梯度裁剪

C.Dropout

D.所有方法都不行

A.RNN的隐层神经元的输入包括其历史各个时间点的输出

B.RNN比较擅长处理时序数据，例如文本的分析

C.在各个时间点，RNN的输入层与隐层之间、隐层与输出层之间以及相邻时间点之间的隐层权重是共享的，因为不同时刻对应同一个网络

D.RNN的损失函数度量所有时刻的输入与理想输出的差异，需要使用梯度下降法调整参数不断降低损失函数

A.可以这么理解

B.不可以这么理解

C.不适用于RNN模型

D.以上答案都不正确

A.梯度消失

B.时间步

C.梯度爆炸

D.以上答案都正确

A.传统RNN存在的梯度消失/爆炸问题

B.传统RNN计算量大的问题

C.传统RNN速度较慢的问题

D.传统RNN容易过过拟合的问题

A.PLP

B.RNN

C.MFCC

D.LPC

A.全连接神经网络

B.门控RNN

C.BP神经网络

D.双向RNN

A.梯度消失

B.梯度爆炸

C.ReLU函数作为激活函数g（.），在计算g（z）时，z的数值过大了

D.Sigmoid函数作为激活函数g（.），在计算g（z）时，z的数值过大了