简单理解RNN循环神经网络

RNN(Recurrent Neural Network）介绍

介绍： RNN，也就是循环神经网络，是用来建模序列化数据的一种主流的深度学习模型。传统的前馈神经网络处理的输入往往都是一个定长向量，较难应对变长的序列信息，就算把序列处理成定长的向量，模型也很难捕捉序列中的长距离依赖关系。而RNN中的每个神经元能够运用其内部变量保存之前输入的序列信息，将所有神经元串行就可以处理序列化数据。
应用领域： 机器翻译、聊天机器人、序列标注、图像描述和推荐系统。

图说RNN宏观结构

（左边是折叠后的RNN结构，右边是展开后的RNN结构。两种结构相同）
其实RNN处理数据很简单，其大致可概括为两步走的形式：

RNN两步走：
Step One：
数据 $x$输入激活，输出结果保存到小黑盒 “■” $W$中。
Step Two
数据 $x$联合上一次的小黑盒 “■” $W$一起输入激活，输出结果继续保存到小黑盒 “■” $W$中。

以上就是RNN处理数据的流程。

下面描述一下RNN的计算方法：
   $t$时刻接收到输入 $x_t$之后，隐藏层的值是 $s_t$，输出值是 $o_t$。

图说RNN微观结构

明白了RNN的宏观大致流程后，就可以引入RNN的微观结构了。
我们将宏观结构中的展开部分透视如下图：

RNN主要处理序列化数据，以上三个绿色的模块（又称Cell，细胞）代表了RNN在不同时刻所处理的序列数据。其中中间部分的Cell，明确的透视出了RNN在 $t$时刻所进行的操作：输入上一时刻 $t-1$ Cell输出的隐藏状态值和此时刻的输入组合，乘以权重和偏置，经过一次 $tanh$就得到了这个cell的输出。