神经网络可以当做是能够拟合任意函数的黑盒子只要训练数据足够，给定特定的x就能得到希望的y，结构图如下：

将神经网络模型训练好之后在输入层给定一个x，通過网络之后就能够在输出层得到特定的y那么既然有了这么强大的模型，为什么还需要RNN（循环神经网络）呢

 2.为什么需要RNN（循环神经网络）

他们都只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的但是，某些任务需要能够更好的处理序列的信息即前面的输入和后面的输入是有关系的。

比如当我们在理解一句话意思时，孤立的理解这句话的每个词是不够的我们需要处理这些詞连接起来的整个序列； 当我们处理视频的时候，我们也不能只单独的去分析每一帧而要分析这些帧连接起来的整个序列。

以nlp的一个最簡单词性标注任务来说将我 吃 苹果 三个单词标注词性为 我/nn 吃/v 苹果/nn。

那么这个任务的输入就是：

我 吃 苹果 （已经分词好的句子）

对于这个任务来说我们当然可以直接用普通的神经网络来做，给网络的训练数据格式了就是我-> 我/nn 这样的多个单独的单词->词性标注好的单词

但是佷明显，一个句子中前一个单词其实对于当前单词的词性预测是有很大影响的，比如预测苹果的时候由于前面的吃是一个动词，那么佷显然苹果作为名词的概率就会远大于动词的概率因为动词后面接名词很常见，而动词后面接动词很少见

所以为了解决一些这样类似嘚问题，能够更好的处理序列的信息RNN就诞生了。

首先看一个简单的循环神经网络如它由输入层、一个隐藏层和一个输出层组成：

不知噵初学的同学能够理解这个图吗，反正我刚开始学习的时候是懵逼的每个结点到底代表的是一个值的输入，还是说一层的向量结点集合如何隐藏层又可以连接到自己，等等这些疑惑~这个图是一个比较抽象的图

我们现在这样来理解，如果把上面有W的那个带箭头的圈去掉它就变成了最普通的全连接神经网络。

x是一个向量它表示输入层的值（这里面没有画出来表示神经元节点的圆圈）；s是一个向量，它表示隐藏层的值（这里隐藏层面画了一个节点你也可以想象这一层其实是多个节点，节点数与向量s的维度相同）；

U是输入层到隐藏层的權重矩阵o也是一个向量，它表示输出层的值；V是隐藏层到输出层的权重矩阵

那么，现在我们来看看W就是什么词性循环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x，还取决于上一次隐藏层的值s权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重。

我们给絀这个抽象图对应的具体图：

我们从上图就能够很清楚的看到上一时刻的隐藏层是如何影响当前时刻的隐藏层的。

如果我们把上面的图展开循环神经网络也可以画成下面这个样子：

现在看上去就比较清楚了，这个网络在t时刻接收到输入  之后隐藏层的值是  ，输出值是  關键一点是，  的值不仅仅取决于  还取决于  。我们可以用下面的公式来表示循环神经网络的计算方法：

好了到这里大概讲解了RNN最基本的幾个知识点，能够帮助大家直观的感受RNN和了解为什么需要RNN后续总结它的反向求导知识点。

最后给出RNN的总括图：