LSTM、GRU、TCN 的原理与时序建模选择
哪些公司问过
答案要点
- RNN 梯度连乘导致消失/爆炸,长程依赖难学
- LSTM:遗忘门、输入门、输出门 + 细胞状态,加法更新缓解梯度消失
- GRU:更新门与重置门,无独立细胞状态,参数约为 LSTM 的 3/4
- TCN:因果卷积 + 膨胀卷积 + 残差,可并行,感受野随层数指数增长
- 选型看数据量、序列长度、延迟要求,最终以实验为准
易错点
- 说 LSTM 完全解决了梯度消失,实际只是缓解
- 把 GRU 的门说成三个,或说 GRU 有独立的细胞状态
- 机械地认为短序列一定用 GRU、长序列一定用 LSTM,没有实验依据
面试官常见追问
- LSTM 为什么能缓解梯度消失?
- TCN 的感受野怎么计算?
- RNN 中梯度爆炸怎么处理?
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。