经典的RNN结构:
由图可得，一输入一输出，因此成为输入序列和输出序列具有相同的时间长度
2）我们为其加上时序性
将时间信息作为一个坐标信息加入，
则展开，我们可得
RNN中的“权值共享”：任意时刻 ，所有的权值（包括
,
,
,
,
,
）都相等
3)Sequence to Sequence模型
本质：是一个encoder和decoder的过程，不断地将前一个时刻 的输出作为后一个时刻
的输入
encode端：编码器encoder把所有的输入序列都编码成一个统一的语义向量context（不断地将前一个时刻 的输出作为后一个时刻
的输入）
例如：
与RNN的区别：Seq2Seq结构不再要求输入和输出序列有相同的时间长度！
decode端：
由上图可得，输入
经过RNN，最后经过sigmoid 或 argmax获得其当前标签（index）,经过int2str后将其输出的字符作为输入送入第二时间序列（下一状态）
4）Attention注意力机制
解决问题：1）当输入信息过大时（句子过长），一个context存储不下，会造成精度下降
2）每次只用到编码器最后一个隐藏层状态，信息利用率很低
1）encoder把所有的输入序列都编码成一个统一的语义向量context，其中encoder的隐藏层状态 代表对不同时刻输入
的编码结果，会使得context装不下，因此这里引用了多次分别输入（类似于多特征图融合FPN）
细节如下：
祝好~！