一、RNN网络结构
与时间有关的反向传播（每次不同）
损失函数
实验其实不容易跑，因为他的损失函数曲线幅度很大
画出来差不多是这个样子。突然一下升高是因为从右到左碰到陡峭的地方梯度一下变大了，所以弹回去了。
原作者在训练时加上了小技巧——clipping：设置一个峰值，若超过则等于该峰值。
梯度大的原因：
- 当W>1时，微小的变化会引起很大的变化；
- 当w<1时，较大的变化带来的变化也很小。
RNN一些有用的变形
LSTM以及简化为双门的GRU
Clockwise RNN && SCRN
多对一
多长对多短
这里是最后删去重复的字符
改加上null符号后，可以实现一些叠词
CTC方法
多对多（无限制）
加上一个断的符号，可以及时终止
可以用在机器学习上
语法分析
自动编码器
可以提高传输效率和节约成本
