RNN网络架构

学习吴恩达老师的AI课程笔记，详细视频课程请移步https://mooc.study.163.com/smartSpec/detail/1001319001.htm

循环神经网络展开后类似于一个有N个中间层的前馈神经网络。
对于前馈网络的公式有：O=f( X * W+b ) ,W,b为参数,X是当前的输入，f(·)是激活函数，*是矩阵乘法，O是当前的输出。即输出 等于 输入经过线性与非线性映射后的结果
但是在RNN中由于要考虑上下文关系 所以在每一次的输入中都需要引入上次的结果。于是
加上反馈单元后，公式就变成了：Ot=f(X * W + Ot-1 * V+ b) Ot-1为上一次的输出

通过时间的反向传播：
时光倒流， 在前向传播过程中t在不断的增大 而在反向传播时则需要更新之前t时刻的权重。

前向传播后得到y(1),y(2)…y(ty), 如二分类问题 则单个神经元损失函数L(t)为如上所示,整个网络的神经元则为L(y*(t),y(t))
反向：L(t)→y(t)→a(t)→w(a)

不同类型的RNN：