循环神经网络（Recurrent Neural Network，简称RNN）是一种处理序列数据的神经网络结构，它具有记忆能力，能够捕捉序列中的时序信息。RNN在自然语言处理、时间序列预测等方面有着很多的应用。

一、RNN 的基本结构

RNN的包括输入层、隐藏层和输出层。其中，隐藏层的状态会随时间步更新，并作为下一时间步的输入之一。这种循环连接使得RNN具有记忆能力，能够捕捉序列中的长距离依赖关系。

1、单层网络结构

在进一步了解RNN之前，先给出最基本的单层网络结构，输入是x，经过变换为W x + b，激活函数为f，输出y可以表示为y=f(W x + b)，是一个无隐藏的单层感知器。

2、加入隐藏层

在单层网络结构的基础上引入了隐藏层h ，h 可对序列数据提取特征，接着再转换为输出。

RNN中，每个步骤权值共享，使用的参数U，W，b​相同（所有隐藏层都同一个U，W，b进行更新），h2的计算方式和h1类似，其计算结果如下：

接下来，计算RNN的输出y1，使用Softmax激活函数：

使用和y1相同的参数V和c，得到y2，y3，y4，得到如下结构图：

如果上面的图不够明显，可以看看下面这张图，会更清晰一些：

二、RNN常见的问题及解决办法

1、梯度消失

梯度消失问题是指 RNN 中的梯度在向后传播时减小或消失的问题。这是由于反向传播过程中梯度的重复乘法，这可能导致梯度呈指数下降。所以在激活函数输出时，可以将sigmoid换成RELU等其他激活函数，使得输出不要太过小。当然也不能都是1，否则会引起梯度爆炸。

2、RNN和MLP有什么区别

（1）RNNs引入了定向循环，能够处理输入之间前后关联问题，使其能够记住一定序列范围内的信息。

（2）RNNs网络参数W,U,V是共享的，而MLP各层参数间没有直接联系。

3、其他有遇到的问题再补充。。。