循环神经网络的介绍
为什么有了神经网络还需要有循环神经网络？
在普通的神经网络中，信息的传递的单向的，这种限制虽然使得网络变得更容易学习，但在一定程度上也减弱了神经网络模型的能力。特别是在很多现实任务中，网络的输出不仅和当前时刻的输入相关，也和其过去一段时间的输出相关。
此外，普通网络难以处理时序数据， 比如视频、语音、文本等，时序数据的长度一般是不固定的，而前馈神经网络要求输入和输出的维数都是固定的，不能任意更改。因此，当处理这一类和时序相关的问题时，就需要一种能力更强的模型。
循环神经网络（Recurrent Neural Network，RNN）是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。换句话说：神经元的输出可以在下一个时间步直接作用到自身（作为输入）
通过简化图，我们看到RNN比传统的神经网络多了一个循环圈，这个循环表示的就是在下一个时间步（Time Step）上会返回作为输入的一部分，我们把RNN在时间点上展开，得到的图形如下
或是
在不同的时间步，RNN的输入都将与之前的时间状态有关，tn时刻网络的输出结果是该时刻的输入和所有历史共同作用的结果，这就达到了对是按序列建模的目的。
RNN的不同表示和功能可以通过下图看出：
LSTM和GRU
LSTM的基础介绍
假如现在有这样一个需求，根据现有文本预测下一个词语，比如 天上的云朵漂浮在__ ，通过间隔不远的位置就可以预测除词语是天上，但是对于其他一些句子，可能需要被预测的词语在前100个词语之前，那么此时由于间隔非常大，随着间隔的增加可能会导致真实的预测值对结果的影响变得非常小，而无法非常好的进行预测（RNN中的长期依赖问题 long-Term Dependencies）
那么为了解决这个问题需要LSTM（Long Short Term Memory）
LSTM时一种RNN特殊的类型，可以学习长期依赖信息。很多问题，LSTM都取得相当巨大的成功，并得到了广泛的应用。
一个LSTM的单元就是下图中一个绿色方框中的内容：
LSTM的核心
LSTM的核心在于单元（细胞）中的状态，也就是上图中最上面的那根线。
但是如果只有上面那一条线，那么没有办法实现信息的增加或删除，所以在LSTM是通过一个叫做门的结构实现，门可以选择让信息通过或者不通过。
这个门主要通过sigmod和点乘（pointwise multiplication）实现的。
我们都知道，sigmod的取值范围是在（0,1）之间，如果接近0表示不让任何信息通过，如果接近1表示所有信息都会通过。
逐步理解LSTM
遗忘门
遗忘门通过sigmoid函数来决定哪些信息会被遗忘
在下图就是\(h_{t-1}和x_t\)进行合并（concat）之后乘上权重和偏置，通过sigmoid函数，输出0-1之间的一个值，这个值会和前一次的细胞状态(\(C_{t-1}\))进行点乘，从而决定遗忘或者保留
输入门
下一步就是决定哪些新的信息会被保留，这个过程有两步：
- 一个被称为
输入门的sigmoid 层决定哪些信息会被更新 -
tanh会创造一个新的候选向量\(\widetilde{C}_{t}\)，后续可能会被添加到细胞状态中
例如：
我昨天吃了苹果，今天我想吃菠萝，在这个句子中，通过遗忘门可以遗忘苹果,同时更新新的主语为菠萝
现在就可以更新旧的细胞状态\(C_{t-1}\)为新的\(C_{ t }\) 了。
更新的构成很简单就是：
- 旧的细胞状态和遗忘门的结果相乘
- 然后加上 输入门和tanh相乘的结果
输出门
最后，我们需要决定什么信息会被输出，也是一样这个输出经过变换之后会通过sigmoid函数的结果来决定那些细胞状态会被输出。
步骤如下：
- 前一次的输出和当前时间步的输入的组合结果通过sigmoid函数进行处理得到\(O_t\)
- 更新后的细胞状态\(C_t\)会经过tanh层的处理，把数据转化到(-1,1)的区间
- tanh处理后的结果和\(O_t\)进行相乘，把结果输出同时传到下一个LSTM的单元
GRU，LSTM的变形
GRU(Gated Recurrent Unit),是一种LSTM的变形版本， 它将遗忘和输入门组合成一个“更新门”。它还合并了单元状态和隐藏状态，并进行了一些其他更改，由于他的模型比标准LSTM模型简单，所以越来越受欢迎。
双向LSTM
单向的RNN，是根据前面的信息推出后面的，但有时候只看前面的词是不够的，可能需要预测的词语和后面的内容也相关，那么此时需要一种机制，能够让模型不仅能够从前往后的具有记忆，还需要从后往前需要记忆。
双向LSTM可以帮助解决这个问题。
由于是双向LSTM，所以每个方向的LSTM都会有一个输出，最终的输出会有2部分，所以往往需要concat的操作