RNN，LSTM，GRU学习笔记

一、RNN

1.循环神经网络概述

        循环神经网络（Recurrent Neural Network，RNN），简称RNN。它与DNN和CNN的不同是：可处理序列问题（如一段文字，一段语音等）。如给定一个索引从0-T的序列，对于任意的索引号t，它对应的输入是,则模型在t时刻的隐藏状态由和t-1时刻的隐藏状态共同决定。而t时刻的输出则是由通过非线性变换得到。

        也就是说，当我们在理解一句话时，不光要理解句子中的字，更要理解字前面或者后面的句子序列信息，以达到理解整个句子序列的目标。

        理论上来说，RNN可以理解关联往前或往后的任意多个字序列。

2.循环神经网络模型

        我想以一张图的方式简明扼要的阐述RNN模型。

 其中：

        x(t)：代表在序列索引号 t 时训练样本的输入。

        h(t)：代表在序列索引号 t 时模型的隐藏状态。

        o(t)：代表在序列索引号 t 时模型的输出。

        L(t)：代表在序列索引号 t 时模型的损失函数，模型整体的损失函数是所有的L(t)相加和。

        y(t)：代表在序列索引号 t 时训练样本序列的真实输出。

        U、V、W这三个矩阵是模型的参数。他们在整个网络中是共享的。——共享权重

3.循环神经网络前向传播算法

        

4.循环神经网络反向传播算法

注：循环神经网络和recursive neural network(递归神经网络)的区别。

二、LSTM

       

        长短期记忆网络（Long Short-Term Memory，LSTM）

三、GRU

标签：GRU,RNN,模型,索引,神经网络,循环,序列,LSTM
来源： https://blog.csdn.net/weixin_43888760/article/details/120688947