🎉 循环神经网络（RNN）是处理序列数据的常用模型，适合时间序列、自然语言等场景。以下是核心知识点速览：
1. RNN基础概念
- 核心思想：通过时间步迭代，网络内部维护状态（hidden state）以捕捉序列依赖关系
- 数学公式：
$$ h_t = \tanh(W_{hh}h_{t-1} + W_{xh}x_t + b_h) $$
💡 图片：循环神经网络_结构图
2. 常见变体
- LSTM：通过门控机制解决长时依赖问题（推荐学习路径：/rnn进阶教程）
- GRU：简化版LSTM，参数更少但效果相近
- 双向RNN：同时利用序列前后信息
3. 应用场景
- 时序预测（如股票价格）
- 机器翻译（结合注意力机制）
- 自然语言处理（如文本生成）
💡 图片：自然语言处理_序列分析
4. 学习资源推荐
📚 RNN原理详解
🎥 RNN代码实现教程
🔗 相关论文（需注意学术规范）
📌 提示：实践时建议从简单任务（如字符级语言模型）开始，逐步尝试复杂应用！