1.RNN的应用
RNN主要有两个应用，一是评测一个句子出现的可能性，二是文本自动生成。
2.什么是RNN？
RNN之所以叫RNN是因为它循环处理相同的任务，就是预测句子接下来的单词是什么。RNN认为在这循环的任务中，各个步骤之间不是独立，于是它循环记录前面所有文本的信息（也叫记忆），作为预测当前词的一个输入。
在RNN中，每个词作为一层，对其进行预测。
F函数一般是tanh或者ReLU
是在t时刻词典中所有词出现的概率，也就是||=|vocabulary|
并且所有层共享U和W
3.RNN用来做什么？
RNNs在NLP中得到了巨大的成功，LSTM是被广泛使用的RNN。LSTM与典型的RNN基本框架一致，只是使用了不同的方式来计算隐藏状态。
3.1语言模型和文本生成
语言模型中，输入时经过编码的词向量序列，输出是一系列预测的词。在训练模型的时候，令 
，也就是让输出等于下一时刻真实的输入，因为在文本生成中，这一时刻的输出对应的是下一时刻的输入。
3.2机器翻译
机器翻译与语言模型的不同是，机器翻译必须等待所有输入结束后才输出，因为这个时候才能得到翻译句子的所有信息。
3.3语音识别。
输入一系列的声波信息，然后预测一段语音。
3.4生成图像描述
RNNs和 CNN一起，可以用来为未标记的图像生成描述。
4. 训练RNNs
训练RNN和训练传统的神经网络一样，都是使用反向传播算法，但是又有些不同，这里所有步骤都共享同一个参数，每一个步骤的回归输出不仅仅依赖于当前时刻，还依赖前面时刻的步骤，这就叫BPTT算法（时间反向传播）。
5. RNN拓展
5.1双向RNN
双向RNN的基本思路基于当前状态下的输出不仅与前面序列有关，还与后面的序列有关。比如要预测序列的一个词，不仅要看左边的词，还要看右边的词。
5.2 深度（双向）RNN
深度（双向）RNN和双向RNN一样，只不过是每一步的隐藏层更多，这使得我们可以获得一个更加好的效果。
5.3 LSTM
LSTM与传统RNN相比，使用了不同方式了计算隐藏状态，它的输入是前一状态的隐藏状态和当前状态的输入，并通过一个输入门和忘记门来对输入进行优化。
LSTM和GRU都是计算隐藏态的黑盒。
6. LSTM
7.GRU
推荐网址: http://deeplearning.net/tutorial/lstm.html
https://www.zybuluo.com/hanxiaoyang/note/
http://blog.csdn.net/a/article/details/
http://www.cnblogs.com/ZJUT-jiangnan/p/5222939.html
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/176786.html原文链接：https://javaforall.net
![微信自动回复机器人含源码和安装包[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
