一：需求
1.卷积网络的输入和输出多为固定尺寸（样本大小和模式）
2.解决序列问题：语言问题，时间序列预测问题（和基础单位相关）
需要保存上下文信息，很难/无法选择上下文窗口大小
二：Recurrent Neutral Networks（RNNs)
时间递归神经网络 Recurrent Neutral Network
结构递归神经网络 Recursive Neutral Network
1.RNN将上一次的输出或者隐状态作为一下次的输入
2.对于某个时间t，历史信息T< t会被保存，会保留信息
3.weights参数共享
4.吸收了HMM模型（马尔可夫）的表达
5.RNN是一类扩展的人工神经网络，它是为了对序列数据进行建模而产生的
针对：文本，语音，视频，天气，股票
6.基本框架：一对一，一对多，多对一，多对多
7.情感分类:
8.图像标注
9.反向传播（BPTT Back Propagation Through Time）
固定长度，来一次更新一次
BPTT面临的问题：梯度消失问题，梯度爆炸问题
解决方案：选择其他合适的激活函数，如ReLU，引入改进网络结构的机制 如LSTM
三:LSTM(Long Short-Term Memory)
1.引入恒定误差流
四：GAN(生成对抗模型）
• 测试高维复杂的概率分布建模
• 模拟未来 (规划, 仿真)
• 处理缺失数据
• 多模态输出
• 解决真实的数据生成问题
1.生成模型分类
Q：什么是显式过程，什么是隐式过程？
显式密度模型。 这种模型目前有两种流行的方法： 完全可见置信网络（Fully visible belief network） 和 非线性独立成分分析（nonlinear independent components analysis）。
隐式密度模型
有一些模型不需要定义显式的密度函数就可以被训练。 这些模型提供了一种与pmodel
间接的交互的方法， 通常是使用它们（也就是pmodel）的采样数据。
• 使用隐编码
• 近似一致 ( 优于变分模型)
• 不需马尔科夫链
• 生成数据质量高
基本框架：
参考:http://slazebni.cs.illinois.edu/spring17/lec02_rnn.pdf
http://ice.dlut.edu.cn/valse2018/ppt/Generative_Adversarial_Nets_JSFeng.pdf
https://sinpycn.github.io/2017/04/29/GAN-Tutorial-How-do-generative-models-work.html
https://wenku.baidu.com/view/b07dc5ef9b89680203d825e9.html