NLP-RNN

---

一、RNN引出

卷积神经网络 （CNN） 和普通的算法大部分都是输入和输出的一一对应，也就是一个输入得到一个输出。不同的输入之间是没有联系的。

但是在某些场景中，一个输入就不够了！为了填好下面的空，取前面任何一个词都不合适，我们不但需要知道前面所有的词，还需要知道词之间的顺序。

这种需要处理「序列数据 – 一串相互依赖的数据流」的场景就需要使用 RNN 来解决了。

二、RNN结构

传统神经网络的结构比较简单：输入层 – 隐藏层 – 输出层。每一个时间步都会接收上一个时间步的隐层状态输入，如下图所示：

我们按照顺序，将“time”输入到 RNN 网络，得到输出「02」。这个过程我们可以看到，输入 “time” 的时候，前面 “what” 的输出也产生了影响（隐藏层中有一半是黑色的），因此 RNN 可以处理序列问题。

RNN多个时间步展如下：

计算公式：

RNN 的缺点：

通过隐藏层中的颜色分布可以看出短期的记忆影响较大（如橙色区域），但是长期的记忆影响就很小（如黑色和绿色区域），这就是 RNN 存在的短期记忆问题，无法处理很长的输入序列，并且训练 RNN 需要投入极大的成本。

三、RNN 应用