花书+吴恩达深度学习（十五）序列模型之循环神经网络 RNN

目录

0. 前言

1. RNN 计算图

2. RNN 前向传播

3. RNN 反向传播

4. 导师驱动过程（teacher forcing）

5. 不同序列长度的 RNN

---

如果这篇文章对你有一点小小的帮助，请给个关注，点个赞喔~我会非常开心的~

花书+吴恩达深度学习（十五）序列模型之循环神经网络 RNN

花书+吴恩达深度学习（十六）序列模型之双向循环网络 BRNN 和深度循环网络 Deep RNN

花书+吴恩达深度学习（十七）序列模型之长短期记忆 LSTM 和门控循环单元 GRU

0. 前言

循环神经网络 RNN（Recurrent Neural Network）是一类专门用于处理序列数据的神经网络。

标准的神经网络无法适应不同长度的输入和输出， 没有共享参数，无法泛化文本不同位置的同个词。

RNN 在几个时间步内共享参数，使得模型可以扩展到不同长度的序列样本进行泛化，不需要分别学习句子每个位置的规则。

RNN 减少参数付出的代价是优化参数困难。

用一个识别是否是人名的例子，初始定义符号如下：

• 输入  ：“Harry Potter and Hermione Granger invented a new spell.”
• 输出  ：“110110000”
• 表示 中第  个输入，例如  表示 Harry
•  表示 中第 个输出，例如  表示 1
•  表示 的长度
•  表示 的长度
• 当  时， 也表示序列长度

对于自然语言处理（Natural Language Processing），构建一个词汇表，对于一个输入 ， 中的每一个单词都构建一个 one-hot 向量，向量长度是词汇表的长度，单词的对应位置为 1 ，其余位置为 0 。

1. RNN 计算图

对于一个输入 ，从左至右将每一个单词依次输入到神经网络中（相当于第  个时刻）。

每次计算不仅输入