4381.循环神经网络(RNN)适合处理序列数据,但不能处理图像数据。

题目解析： 题干：循环神经网络(RNN)适合处理序列数据，但不能处理图像数据。 正确答案：B（错误） 解析： 该题考查对循环神经网络（RNN）适用范围的理解。 首先，前半句“循环神经网络(RNN)适合处理序列数据”是正确的。RNN具有记忆能力，能够捕捉序列中前后元素之间的依赖关系，因此广泛应用于自然语言处理、语音识别、时间序列预测等涉及序列建模的任务。 然而，后半句“不能处理图像数据”是错误的。虽然卷积神经网络（CNN）是处理图像数据的主流模型，但这并不意味着RNN完全不能处理图像。在特定情况下，RNN也可以用于图像任务。例如： 1. 将图像按行或列逐像素输入，将二维图像视为一维序列，使用RNN进行建模（如早期的图像分类或生成任务）。 2. 在图像描述生成（Image Captioning）任务中，通常结合CNN提取图像特征，再由RNN（如LSTM或GRU）生成对应的文本描述。此时RNN处理的是基于图像内容生成的序列，但整体系统属于图像与序列的联合处理。 3. 使用RNN处理图像中的空间序列信息，如扫描图像的路径建模。 因此，尽管RNN不是处理图像数据的最优选择，但说其“不能处理图像数据”过于绝对，不符合事实。 核心知识点： - 循环神经网络（RNN）的核心特点是具有时间步上的循环结构，适用于处理变长序列数据，能够捕捉序列内部的时序依赖。 - RNN的典型变体包括LSTM和GRU，用于缓解长期依赖问题。 - 虽然CNN在图像处理中占主导地位，但RNN可通过适当设计参与图像相关任务，尤其在多模态任务中（如视觉-语言模型）。 结论： 题干表述因后半句绝对化而整体不成立，故正确答案为B（错误）。