1. RNN的关键点：即在处理序列数据时会有顺序的记忆。比如，RNN在处理一个字符串时，在对字母表顺序有记忆的前提下，处理这个字符串会更容易。就像人一样，读取下面第一个字符串会更容易，因为人对字母出现的顺序是提前知道的。但是将字符串反转过来，读取第二个字符串时就没那么容易了。
2. RNN整体网络结构：分为输入层，隐藏层，输出层；输入层的[x1, x2,x3]是序列数据，隐藏层[h0, h1, h2, h3]存储着过去一段时间和当前的一些状态信息（说明是有记忆的），输出层[y1, y2, y3], y1 是由上一个的状态h0 和 当前状态h1的计算结果。同样，按照这样方式 y2,y3 依次计算出来。
3. RNN单层结构(RNN Cell)：Hi是由上一个状态Hi-1计算得到的，输出Yi是由当前Hi计算得到。正式由于每一次隐藏状态的计算都包含了过去的状态，所以RNN是带记忆的。
4. RNN的例子：本例是通过输入一句话的前面几个词，来预测下一个词是什么；计算步骤如下：
（1）首先获取每个输入词(one-hot vectors)的词向量(参见LLM - 词向量 Word2vec-CSDN博客)，即转换成语义更富的一个向量(word embeddings)。
（2）其次计算h1，h1是由初始状态h0 和 输入x1计算得到，一般h0是随机初始化的值。
（3）h2，h3等计算方式同上面的h1。
（4）计算h4，因为h4包含了前面h1,h2,h3所有词的信息，所以h4的值更符合句子语义。得到h4之后，再经过一个线性层和softmax处理，得到词表上每个词的概率。然后选择出现概率最大的词作为最终预测词。
5. RNN应用场景
（1）：词性标注，给定一句话，预测每个词的词性
（2）：序列预测，例如给定一周温度，预测每天天气如何
（3）：图片描述，给定一个图片，生成一句描述该图片的话
（4）：文本分类，给定一个句子，区别这句话情感是正面还是负面
6.RNN优点
（1）可以处理变长数据
（2）模型大小不会随着输入增加而增加
（3）模型权重参数是共享的
（4）后面的计算可以使用到前面的计算结果
7.RNN缺点
（1）是一个顺序计算过程，后面的计算依赖前面的结果，无法并行化
（2）随着序列不断向后推移，由于记忆步长的限制，后面的计算很难依赖更之前的状态，如下图，越往后计算梯度时链式越长，这会导致梯度消失或梯度爆炸。
