循环神经网络的基本原理

循环神经网络的基本原理 

循环神经网络的基本原理是基于记忆模型的想法，期望网络能够记住前面出现的特征，并依据特征推断后面的结果，而且整体的网络结构不断循环，因此得名循环神经网络。

循环神经网络的基本结构非常简单，就是将网络的输出保存在一个记忆单元中，这个记忆单元和下一次的输入一起进入神经网络中，输入序列的顺序改变，会影响网络的输出结果，因为记忆单元的存在，使得两个序列在改变顺序之后记忆单元的元素也改变了，所有会影响最终的输出结果。

使用双向循环神经网络，网络会先从序列的正方向读取数据，再从反方向读取数据，最后将网络输出的两种结果合在一起形成网络的最终输出结果。

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。