01
顺序的重要性
在前面学习CNN神经网络的时候，我们可以发现，我们输入的每张图片都是孤立的。例如，输入与1张图片，网络认出这张图片里面的内容是苹果，并不会对认出下一张图片是西红柿造成影响。但是对于语言来说，顺序十分重要。例如：“吃饭没、没吃饭、没饭吃、饭没吃、饭吃没”，这些都是不同的含义。所以，顺序的改变，表达完全不同的意义。
当然，顺序也表达了一定的信息，例如“吃”后面，大概率接的是食物名词。当然这里可能有小伙伴“刚”我，说“吃人”、“吃土”呢？我相信大多数人没这么血腥，我们都是善良的“宝宝”，对吧！当然“吃土”，也不至于这么惨！，这里讲的是一个大概率嘛。
02
RNN的概念
为了找到这种顺序的关联，RNN就冒头了。RNN，Recurrent Neural Network，中文叫做循环神经网络。RNN是一个高度重视序列信息的网络。
序列就是数据的前后关系。RNN的基础结构仍然是神经网络，只不过，它比其他神经网络多了一个小盒子，这个小盒子用来记录数据输入时网络的状态。在下以此网络输入的时候，网络必须要考虑小盒子中保存的信息，随着数据的一次次的输入，盒子中的信息也在不断的更新，盒子中的信息被称为隐状态。
03
RNN的应用
和开始举出的例子一样，RNN最常见的应用领域是自然语言处理，机器翻译是寻找相同的意义序列，在不同的语言中进行表达。诗歌生成是基于主题，按照一定的规则生成有逻辑的词语序列，改变两端的信息类型。输入图片，输出句子，就是看图说话。
语音同样可以看作声音信号根据时间顺序组成的序列。语音识别和语音生成，同样在RNN的能力范围内。股票价格也可以看着一个受时间影响的序列。很多量化交易模型的建立，就是基于这样的认知。
04
RNN的优缺点
不过RNN有不是完美无瑕的，它也有缺点。数据输入的越早，在隐状态中占据的影响也就越小，也就是说，如果一个句子很长，RNN就容易忘记最开始说了啥。
面对这种问题，人们提出了RNN的改良版--LSTM，长短时记忆模型。这个模型下节课再和小伙伴们分享！！！
好了，本节课到此位置
