仅学习使用~
在识别图像时，输入的每张图片都是孤立的。认出这张图片是苹果并不会对认出下一张图片是梨造成影响。
但是，对于 语言 来说，顺序是十分重要的，【我吃苹果】和【苹果吃我】，词语顺序的改变表达了完全不同的意义。顺序也提供了一定的信息，比如 吃 后面大概率是代表食物的名词。
为了 捕捉 数据的这种关联，人们找到了 RNN，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，只不过它多了一个小盒子，用来记录数据输入时网络的状态。在下一次输入数据时，网络必须要 考虑小盒子中保存的信息。随着数据的一次次输入，存储的信息也在不断更新。
盒子中的信息被称为隐状态。和开始举出的例子一样，RNN最常见的应用领域就是【自然语言处理】，机器翻译 是寻找相同的意义序列 在不同语言中的表达。例如 诗歌生成 是基于一个主题 按照一定的规则 输