大白话介绍循环神经网络

循环神经网络实质为递归式的网络，它在处理时序任务表现出优良的效果，毕竟递归本来就是一步套一步的向下进行，而自然语言处理任务中涉及的文本天然满足这种时序性，比如我们写字就是从左到右一步步来的鸭，刚接触深度学习的友友们，可能或多或少也听说过循环神经网络的大名；感觉是个很高大上，高深莫测的东西。搜搜网上的博客，大多数都是直接列出几个公式，简单的复制粘贴一段话术；把初入茅庐的小白看的云里雾里，直接劝退。因此本文尽可能把各个阶段的步骤描述的详尽一些！话不多说，直接先附上公式：

实质公式其实就这两条，全剧终，网上的教程都是这么说的！显然不能让读者有所信服，好歹也说说各个符号字母都表示什么意思吧。 $H_t$ 表示了在t时间步，编码器当前的状态，可以理解为截至到当前时间步，信息的聚合状况。比如我们要记忆“今天天气不错”这段信息，当我们从左到右读到“气”的时候，显然我们的大脑已经记忆到当前字为止的所有信息； RNN 通过 $H_t$ 这种形式便模拟了这一过程。具体来说的话，我们知道其实深度学习往往都是在优化一组参数，而这组参数记忆了我们通过数据学习到的通用信息；后续我们可以直接利用这组参数来进行泛化的表示。在RNN中，包含的参数其实在上述公式都描述了。

$W_{xh}$ ：描述了与当前时刻输入信息相关的参数； $W_{hh}$ 描述了与历史信息相关的参数； $b_h$ 描述了偏置信息。

这一系列参数要做的事情就是把数据中蕴含的信息存起来。我们再来一次，把公式细致的描述一下，忽略公式中的参数不看，我们知道 $H_t$ 与 $X_t$ 和 $H_{t-1}$ 有关。其中 $X_t$ 为当前时间步的输入信息，在“今天天气不错”中指示的是“气”这一信息， $H_{t-1}$ 描述了历史信息，指示的是“今天天”这一信息。通过对当前时刻信息和历史信息两部分的聚合，我们便可以得到“今天天气”这一最终信息。在RNN中便是通过各部分向量矩阵的运算得到结果。刚接触的朋友可能回想为什么要通过向量矩阵运算来描述这一过程？其实我们要计算机描述这件记忆的过程，我们总需要一种方式来做吧！再联合数学这种形式，这种形式也水到渠成了。我好像没有解释哈哈！！不过就像是说“井盖为什么是圆的？”如果是方的话，你会问“井盖为什么是方的？”。笔者想说的是，我们不需要对某种形式的描述太钻牛角；我们要做的是记住这种形式，然后去接受它，最后去理解各部分的表述原理；那就满足了我们初阶段的学习咯。

其实到这里RNN的关键点真说完了，同学们可能还会说 $O_{t}$ 还在那摆着咧，其实它描述的是当前阶段我们要做点什么事，专业描述的话就是下游任务；就是对当前的状态信息做个全连接层完成一个预测的任务；如果想做序列标注，那最后的向量维度就是序列的标注数目；如果想做文本生成，那最后的向量维度就是词表大小。RNN的整体内容其实就 $H_{t}$ 这个公式的展示。