深度学习：循环神经网络—RNN的原理
传统神经网络存在的问题？
无法训练出具有顺序的数据。模型搭建时没有考虑数据上下之间的关系。
RNN神经网络
RNN（Recurrent Neural Network，循环神经网络）是一种专门用于处理序列数据的神经网络。在处理序列输入时具有记忆性，可以保留之前输入的信息并继续作为后续输入的一部分进行计算。
RNN的工作原理
隐藏状态更新
输出计算
RNN特点：引入了隐状态h（hidden state）的概念，隐状态h可以对序列形的数据提取特征，接着再转换为输出。
将初始隐藏状态 h0 与参数矩阵 W 相乘，将第一个词向量 x1 与参数矩阵U 相乘，两个结果相加，并加上偏置 b。重复上述步骤，将 h1 与 W 相乘，将 x2 与 U相乘，相加后加上偏置 b，再通过激活函数 f得到 h2。
将隐藏状态 ht与一个参数矩阵 V 相乘，然后加上一个偏置 c
在计算时，每一步使用的参数U、W、b都是一样的，也就是说每个步骤的参数都是共享的，
RNN结构中输入是x1, x2, .....xn，输出为y1, y2, ...yn，也就是说，输入和输出序列必须要是等长的
RNN的局限：
记忆能力有限， 梯度消失和梯度爆炸，难以捕捉到长期依赖关系
原因是：梯度会随着时间的推移不断下降减少，而当梯度值变得非常小时，就不会继续学习。