循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，其结构包含环和自重复，因此被称为“循环”。它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格)。
（1）one to one：其实和全连接神经网络并没有什么区别，这一类别算不上 RNN。
（2）one to many：输入不是序列，输出是序列。可用于按主题生成文章或音乐等。
（3）many to one：输入是序列，输出不是序列（为单个值）。常用于文本分类、回归预测。
（4）many to many：输入和输出都是不定长的序列。这也就是Encoder-Decoder结构，常用于机器翻译。
（5）many to many(m==n)：输入和输出都是等长的序列数据。这是 RNN 中最经典的结构类型，常用于NLP的命名实体识别、序列预测。
关于RNN模型，我们还是从数据、模型、学习目标、优化算法这几个要素展开解析，使用过程需要重点关注的是其输入和输出的差异（本节以经典的m==n的RNN结构为例）。
不像传统的
