1. 概念：
RNN又名循环神经网络，是一类处理序列数据的神经网络，这个序列数据不只包括时间序列，还有文字序列等，即序列数据中后面的数据与前面的数据有关系
2. 结构：
如上图所示，左边为RNN折叠图，右边为展开图。与基础的神经网络相比，RNN的不同之处在于在隐层之间的神经元之间也建立了权连接，随着序列的不断推进，隐层的前部将会通过W权连接影响到后部。
3. 特点
（1）能够处理序列化数据，隐层神经元之间也有权连接
（2）权值共享，输入层，隐层，输出层的权值在不同序列中都相同
（3）每一个输入值只与它本身的那条线路建立权连接，不与别的神经元连接
4. 其他RNN结构
除了上述标准的RNN结构之外，在实际中需要采用标准结构的变体来解决问题
（1）如果输入为一串文字，输出为分类类别，也就是多输入对单输出的问题，可以采用如下结构
（2）同样，有时会碰到单输入与多输出的问题，采用如下结构
（3）若输入为序列，但不随时间变化，可采用如下结构
（4）原始的N vs N RNN要求输入序列等长，然而有时我们遇到的大部分问题中序列不是等长的，如在机器翻译中源语言与目标语言的句子往往并没有相同的长度，这时可采用N vs M 模型，这种结构又叫Encoder-Decoder 模型，也称Seq2Seq模型
顾名思义，这个结构的原理是先编码再解码，左侧的RNN用来编码得到c,再用右侧的RNN进行解码。
得到c有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给c,还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做变换
（5）输出循环型：将输出作为循环连接，由于时间步的解耦，可以并行训练，使用导师驱动过程训练，下图训练时标记y作为循环连接输入，测试时使用输出o作为循环连接输入
（6）有向图型，没有x输入，只有y序列
（7）上下文型
上图主要用于图注，也就是x为图像，y为词序。通过输入图像x产生输出词序列
在标准结构中，添加一个标记到隐层的链接，表明在给定x的序列后相同长度y序列上的分布建模
（9）双向型
时间t的输出不仅依赖过去信息ht,还依赖未来相关的信息gt。常用于手写识别与语音识别
（10）递归型
不再构造成RNN的链状结构，而是树的深层结构，一定程度避免长期依赖问题，对于固定长度L的序列，将深度由L变为logL,可用于学习推论
版权声明：本文为CSDN博主「杨晓茹」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_42421001/article/details/81603740
