RNN

循环神经网络（RNN）作为最早的序列建模工具，开创了 “记忆历史信息” 的先河；而长短期记忆网络（LSTM）则通过创新设计，突破了 RNN 的核心局限。

文章介绍了RNN与LSTM，并通过Python代码对两者进行了实战对比。‌

CNN（卷积神经网络）、RNN（循环神经网络）和Transformer是深度学习中的三种重要网络结构，它们在模型结构、特征表示能力、训练效率和应用场景等方面存在显著区别。

在深度学习蓬勃发展的当下，前馈神经网络（FNN）、卷积神经网络（CNN）和循环神经网络（RNN）成为了构建智能系统的重要基石。

在本文中，我们将探讨 RNN 的架构、它们的应用、挑战以及克服它们的技术。

近期，清华大学温玉辉博士后、刘永进教授、中科院计算所副研究员高林、香港城市大学傅红波教授等合作，在CVPR2021上发表论文，提出了一种基于标准化生成流（Glow）的自回归运动风格迁移方法，并在GitHub上开源了Jittor代码。

机器学习领域是巨大的，为了学习不迷路，可以从以下列表帮助学习。它概述深度学习的一些学习细节。

RNN最大的不同之处就是在层之间的神经元之间也建立的权连接，相比一般的神经网络来说，他能够处理序列变化的数据。比如某个单词的意思会因为上文提到的内容不同而有不同的含义，RNN就能够很好地解决这类问题。

神经网络是深度学习的载体，而神经网络模型中，最经典非RNN模型所属，尽管它不完美，但它具有学习历史信息的能力。

在循环神经网络可以用于文本生成、机器翻译还有看图描述等，在这些场景中很多都出现了RNN的身影。