![1233279db66b5dc9361e452d4597aad4.png](https://i-blog.csdnimg.cn/blog_migrate/0438872185bbed40736b337ec049921e.png)
当现在的输出不仅与现在的输入有关,还与过去的输出有关时,传统的神经网络无济于事,这时候循环神经网络(Recuurrent Neural Networks,RNN)能够对这种情况进行建模,这种思想与《建模与辨识》课程中线性动态系统的建模类似。RNN是深度学习领域又一个基本结构(除了CNN),它具有预测未来的作用,因此深度RNN在语音识别、自然语言处理、股价预测等领域广泛应用且效果惊人。
基本结构
对于最基本的RNN单元,它接收两个输入,一个来自上一时刻的输出
![2d6750abe00c0a496019d3bf418ba6fd.png](https://i-blog.csdnimg.cn/blog_migrate/038748c49d5c63ba349498a533d452af.jpeg)
于是对于某一个RNN单元来说,输入和输出可能为矢量(多维)或标量(一维),有两套权重
通过递推可以发现,t时刻的输出是过去所有时刻输入的函数,这种能保存过去状态的神经网络单元被称作memory cell。把隐层状态定义为