LSTM 可以用哪些模型替代
哪些公司问过
答案要点
- GRU:只有更新门和重置门,参数更少,效果常与 LSTM 接近,但仍需按时间步串行
- Transformer:自注意力并行训练、长依赖强,复杂度随序列长度平方增长
- TCN:因果卷积+膨胀卷积扩大感受野,可并行、梯度稳定,适合时序预测
- 状态空间模型/线性 RNN(S4、Mamba、RWKV):并行训练,推理每步常数开销,适合超长序列
- 选型看数据量、序列长度、是否流式推理与部署资源
易错点
- 说 GRU 能并行训练,实际它和 LSTM 一样按时间步串行
- 忽略 Transformer 的平方复杂度,认为它在任何长度上都优于 RNN
- 只列模型名,不讲各自的适用场景和取舍
面试官常见追问
- LSTM 相比普通 RNN 解决了什么问题?
- Transformer 为什么比 LSTM 更适合大规模训练?
- Transformer 处理长序列的瓶颈怎么缓解?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。