循环神经网络
循环神经网络（RNN）概述
核心思想与优势
循环神经网络（RNN）是一类专门用于处理序列数据的深度学习模型。其核心思想是通过循环连接传递历史信息，利用参数共享大幅减少模型复杂度，从而有效捕捉时序数据中的长期依赖关系。
- 输入序列：处理时序数据
- 隐藏状态：保存历史信息
- 输出序列：生成预测结果
- 循环连接：传递历史信息
- 参数共享：减少模型复杂度
LSTM与GRU
改进的RNN结构，解决长序列问题：
- LSTM：长短期记忆网络
- 遗忘门：控制历史信息
- 输入门：控制新信息
- 输出门：控制输出信息
- GRU：门控循环单元
- 更新门：控制信息更新
- 重置门：控制历史信息
- 结构更简单
RNN的应用场景
RNN在序列数据处理中的应用：
- 自然语言处理
- 文本生成
- 情感分析
- 命名实体识别
- 语音识别
- 语音转文字
- 语音合成
- 时间序列预测
- 股票预测
- 天气预测