RNN简介
1.RNN的应用
RNN主要有两个应用，一是评测一个句子出现的可能性，二是文本自动生成。\
2.什么是RNN？
RNN之所以叫RNN是因为它循环处理相同的任务，就是预测句子接下来的单词是什么。RNN认为在这循环的任务中，各个步骤之间不是独立，于是它循环记录前面所有文本的信息（也叫记忆），作为预测当前词的一个输入。
在RNN中，每个词作为一层，对其进行预测。
F函数一般是tanh或者ReLU
是在t时刻词典中所有词出现的概率，也就是||=|vocabulary|
并且所有层共享U和W
3.RNN用来做什么？
RNNs在NLP中得到了巨大的成功，LSTM是被广泛使用的RNN。LSTM与典型的RNN基本框架一致，只是使用了同的方式来计算隐藏状态。
3.1语言模型和文本生成
语言模型中，输入时经过编码的词向量序列，输出是一系列预测的词。在训练模型的时候，令 
，也就是让输出等于下一时刻真实的输入，因为在文本生成中，这一时刻的输出对应的是下一时刻的输入。
3.2机器翻译
机器翻译与语言模型的不同是，机器翻译必须等待所有输入结束后才输出，因为这个时候才能得到翻译句子的所有信息。
3.3语音识别。
输入一系列的声波信息，然后预测一段语音。
3.4生成图像描述
RNNs和 CNN一起，可以用来为未标记的图像生成描述。
4. 训练RNNs
训练RNN和训练传统的神经网络一样，都是使用反向传播算法，但是又有些不同，这里所有步骤都共享同一个参数，每一个步骤的回归输出不仅仅依赖于当前时刻，还依赖前面时刻的步骤，这就叫BPTT算法（时间反向传播）。
Keras代码实现（Mnist）
import numpy as np
from keras.datasets import mnist
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense
from keras.layers.recurrent import SimpleRNN
from keras.optimizers import Adam
# 数据长度-一行有28个像素
input_size = 28
# 序列长度-一共有28行
time_steps = 28
# 隐藏层cell个数
cell_size = 50
# 载入数据
(x_train,y_train),(x_test,y_test) = mnist.load_data()
# (60000,28,28)
x_train = x_train/255.0
x_test = x_test/255.0
# 换one hot格式
y_train = np_utils.to_categorical(y_train,num_classes=10)
y_test = np_utils.to_categorical(y_test,num_classes=10)#one hot
# 创建模型
model = Sequential()
# 循环神经网络
model.add(SimpleRNN(
units = cell_size, # 输出
input_shape = (time_steps,input_size), #输入
))
# 输出层
model.add(Dense(10,activation='softmax'))
# 定义优化器
adam = Adam(lr=1e-4)
# 定义优化器，loss function，训练过程中计算准确率
model.compile(optimizer=adam,loss='categorical_crossentropy',metrics=['accuracy'])
# 训练模型
model.fit(x_train,y_train,batch_size=64,epochs=10)
# 评估模型
loss,accuracy = model.evaluate(x_test,y_test)
print('test loss',loss)
print('test accuracy',accuracy)
