循环神经网络（RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network）。循环神经网络具有记忆性、参数共享并且图灵完备（Turing completeness），因此在对序列的非线性特征进行学习时具有一定优势。

      一般的神经网络，在训练数据足够、算法模型优越的情况下，给定输入，就能得到期望的输出。其前一个输入和后一个输入无关，输出只取决于当前输入。但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。 这时就要用到RNN网络，它的输出就依赖于当前的输入和记忆。

      eg.当人们在理解一句话的意思时，孤立的理解这句话中的每个词是不够的，我们需要关注词语之间的顺序和联系，将所有词语看成一个完整的序列来进行理解。

RNN基本结构

      如上图所示，为RNN的基本结构，x是输入向量，它表示输入层的值。s是一个隐层向量，它表示隐层的值（隐层有多个节点，节点数与向量s的维度相同）。o是输出向量，它表示输出层的值。U是输入层到隐藏层的权重矩阵。V是隐藏层到输出层的权重矩阵。循环神经网络的隐层的值s不仅仅取决于当前的输入x，还取决于上一次隐层的值s。权重矩阵 W就是隐层上一次的值作为这一次的输入的权重。

      更详细如上图所示。t时刻的隐层向量由当前t时刻的输入向量和前一时刻t-1的隐层向量同时决定。

      按时间线展开，如上图所示，对应的输出为：

      其中f常为tanh函数，g为softmax函数。

RNN工作流程

      首先，将单词或词语转换成机器可读的向量，RNN逐个处理向量。

      在处理过程中，它将前一个隐藏状态传递给序列的下一个步骤，隐藏状态充当神经网络存储器，它保存网络以前看到的数据的信息。

      如何来计算隐藏状态？首先，将输入向量和前一时刻的隐藏状态向量组合成一个向量。这个向量和当前输入和以前输入的信息均有关。该向量经过tanh激活，输出新的向量，即当前时刻的隐藏状态向量，同时也是网络的记忆。

      tanh激活函数用于调节流经网络的值，tanh函数压缩后值在-1和1之间。

      多层tanh激活函数的处理：

      RNN网络，在时间上是串联关系，离当前时间越远的隐藏层的输出，对当前隐藏层的输出影响越小。RNN无法根据不同词本身的重要性来对当前的输出产生影响。

      RNN对所有输入具有同等的特征提取的能力，对于一句话中的所有单词，都会提取他们的特征 ，并作为下一特征的输入。也就是说RNN网络，记住了所有的信息，并没有区分哪些是有用信息，哪些是无用信息，哪些是辅助信息。

      然而，实际语言文字中，不同单词虽然有特征，但对目标的作用是不同的，有些词，对于最终的目标，其实没有任何意义，就是修饰词而已。而有些词的特征，起着决定性对的作用，这些词，就需要通篇文章范围内进行记忆，也就是说，不同词的重要性，不仅仅取决于词之间的物理距离，而且取决于词本身的意义。

梯度消失问题

      梯度消失的原因：sigmoid函数的导数范围是(0,0.25]，tanh函数的导数范围是(0,1]，它们的导数最大都不大于1，如果取tanh或sigmoid函数作为激活函数嵌套到RNN中，那么反向传播的过程中必然是一堆小数在做乘法，结果就是越乘越小。随着时间序列的不断深入，小数的累乘就会导致梯度越来越小直到接近于0，这就是“梯度消失“现象。

      实际使用中，会优先选择tanh函数，原因是tanh函数相对于sigmoid函数来说梯度较大，收敛速度更快且引起梯度消失更慢。

      解决RNN中的梯度消失方法主要有：

      1.选取更好的激活函数，如Relu激活函数。ReLU函数的左侧导数为0，右侧导数恒为1，这就避免了梯度消失的发生。但恒为1的导数容易导致梯度爆”，但设定合适的阈值可以解决这个问题。

      2.加入BN层，其优点包括可加速收敛、控制过拟合，可以少用或不用Dropout和正则、降低网络对初始化权重不敏感，且能允许使用较大的学习率等。

      3.改变传播结构，选择更高级的模型，例如：LSTM结构可以有效解决这个问题。

      梯度消失的出现，使得RNN对早期的学习逐渐遗忘，可以说梯度消失问题是RNN对长序列存在遗忘的罪魁祸首。