RNN循环神经网络
应用：
物体移动位置预测、股价预测、序列文本生成、语言翻译、从语句中自动识别人名、
问题总结 这类问题，都需要通过历史数据，对未来数据进行预判
序列模型
两大特点
- 输入（输出）元素具有顺序关系，有前后关系
- 输入输出不定长。如：文章生成、聊天机器人
简单理解
以人名识别为例
常见结构
多输入单输出结构
eg. 自然语言文字的情感识别
输入：语句（文字为多个输入信息）
输出：情感判断（是积极的还是消极的）
单输入多输出结构
eg. （序列数据生成器）根据关键词生成文章、音乐等
输入：关键词（单维信息）
输出：文章（多元信息）
多输入多输出结构
eg. 语言翻译
输入：中文（n维数据）
输出：英文（m维数据）
普通RNN模型
越新的信息对结果的影响占比越大，越旧的信息对结果的影响占比越小
缺陷 ： 可能导致重要的旧信息丢失（图中蓝色在y中的占比即表示旧信息在结果中的影响占比）
长短期记忆网络（LSTM）
算法逻辑：增加记忆细胞 C[i]，以记忆重要信息
双向循环神经网络（BRNN)
简单理解 : 普通循环神经网络，只根据上文推测下文；双向循环神经网络，则是根据上文和下文来推测当前片段。
深层循环神经网络（DRNN）
简单理解 单层RNN+MLP，实现更好的拟合效果
实战一：RNN实现股价预测
算法效果
给定（数据-时间轴）数据集，
设定Input_shape = (samples, time_steps, features) ,
sample表示样本数量（模型根据输入数据自动计算）
time_steps表示每次用前time_steps个数据预测下一个数据
features 表示样本的特征维数
生成预测曲线
算法流程：
Step 1. 数据载入 与 预处理
Step 2. 建立RNN模型
Step 3. 预测
实战二：LSTM自动生成文本
算法效果
给定（文本）数据集，
构建 （文本-编码）字典
输入 编码后的文本数据
生成预测文本的编码
编码转文本
算法流程
Step 1. 数据载入 与 预处理
Step 2. 建立RNN模型
Step 3. 预测
