概述

从 本节开始学习RNN相关内容。

神经网络可以当做是能够拟合任意函数的黑盒子，将神经网络模型训练好之后，对于input 输入x ，经过隐层后，输出层会得到y. 为啥还需要RNN网络呢？

神经网络都只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。

序列：我们 可以理解不同的时刻t1,t2,...tn

比如当我们在理解一句话意思时，孤立的理解这句话的每个词是不够的，我们需要处理这些词连接起来的整个序列；

RNN结构

这是个 抽象的图，右侧如果去到隐层自己的链接就变成了最普通的全连接神经网络。圈的含义 ：循环神经网络的隐藏层的值不仅仅取决于当前这次的输入，还取决于上一次隐藏层的值。

通过这个图，就容易看出 上一时刻的隐藏层是如何影响当前时刻的隐藏层的。,...  都是中间结果，可以舍去，只需要最终的.

LSTM 

Long short-term memory，翻译就是长短期记忆，是RNN的一种，比普通RNN好。

为什么LSTM比普通RNN效果好？

展开就是梯度消失和爆炸的问题了，这里 简单理解：如果一个句子很长，到句子末尾时，它将记不住这个句子的开头的内容详细内容（或者 太长了以至于开头的内容对于最后没啥作用）

LSTM通过它的“门控装置”有效的缓解了这个问题，

 

 

 

 

 

公式没有展开讲 ，先 简单整体 理解：LSTM 有3个 门，先经过输入门，看是否有信息输入，再判断遗忘门是否选择遗忘隐层里的信息，最后再经过输出门，判断是否将这一时刻的信息进行输出。