本文將介紹另一種功能強大、應用非常廣泛的神經網絡模型：循環神經網絡（Recurrent Neural Networks，RNN）。

為什么使用 RNN

生活中，我們會遇到許多序列信號，例如一段語音、一段文字、一首音樂，等等。這些序列信號都有一個共同的特點：某一點的信號跟它之前或之后的某些信號是有關系的。比如，當我們在理解一句話意思時，孤立的理解這句話的每個詞是不夠的，我們需要處理這些詞連接起來的整個序列；當我們處理視頻的時候，我們也不能只單獨的去分析每一幀，而要分析這些幀連接起來的整個序列。

那么，為了更好地解決序列信號問題，例如語音識別、機器翻譯、情感分類、音樂發生器等，需要構建一種新的神經網絡模型，RNN 就是這樣的序列模型。

是否可以使用傳統的神經網絡模型呢？對于序列模型，如果使用標準的神經網絡，其模型結構如下：

上圖中，$x^{<1>}、x^{<2>}\cdots x^{<T_x>}$ 是序列模型的輸入，即序列信號，$T_x$ 表示輸入信號的長度，例如一段文字的長度、一段語音包含的單詞數目。$y^{<1>}、y^{<2>}\cdots y^{<T_y>}$ 是序列模型的輸出，$T_y$ 表示輸出信號的長度。

如果使用標準的神經網絡結構來處理，存在兩個問題。

第一，不同樣本的輸入序列長度或輸出序列長度可能不同，即 $T_x

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的第17课：循环神经网络（RNN）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。