本文將剖析迴圈神經網路（RNN）的工作原理，精講迴圈神經網路的特點和實現方式。野蠻智慧，小白也能看懂的人工智慧。

迴圈神經網路從何而來？

我在我的這篇文章介紹了卷積神經網路（CNN）卷積神經網路（CNN）核心知識點彙總，三分鐘讓你從小白到精通，卷積神經網路主要用來處理計算機視覺問題，在計算機“看”的過程中，主要是進行特徵的對比，透過特徵的對比，可以分辨出來這個圖片（影片）是哪一種，是不是我們想要的。這在很大程度可以幫助我們實現計算機的智慧化。

但是單單靠計算機視覺能力並不能實現自主的智慧，其他人類能力的實現也是很重要的。例如，人類可以根據一個故事的開頭猜到一個故事的結尾；可以根據對方說的話，揣測他背後的目的；這就是人類的分析能力，根據前因後果、語言的規則、說話的習慣，我們可以得到很多重要的資訊。智者往往處理事情有理有據，層次分明，我們期待計算機也有這樣的能力。所以學者們設計了神奇的迴圈神經網路。

迴圈神經網路的最大創新點

簡單來說，序列指的就是前因後果。這種分辨因果的能力，對於計算機的智慧化具有重要意義，所以序列問題倍受計算機學界關注。為了解決序列問題，迴圈神經網路在1982年被提出，由於當時計算能力不足，無法實現。所以很長一段時間，序列問題的解決方案一直被傳統機器學習演算法所壟斷，但是機器學習依賴於人工提取特徵，這也使得序列問題一直沒有被很好的解決。

RNN的第一大創新點是與深度學習結合，自動提取特徵。 深度學習的核心本質是自動提取特徵，這是深度學習對比於機器學習的優勢所在，因此在深度學習理論成熟後，迴圈神經網路快速發展，獲得了成熟的應用。例如，谷歌的翻譯系統拋棄掉原來的機器學習演算法，採用RNN，獲得了遠遠好於之前的效果。

RNN的第二大創新點是，RNN的輸入不僅有資料，也有序列。 一個RNN網路執行過程中，資料輸入進來後，就會被網路記住，然後把這個被記住的資料表達為一個向量，下一次再輸入資料，就繼續填到這個向量裡，這樣反覆迴圈，這個向量就記住了這些資料的先來後到，這個向量叫做 隱狀態 。所以說，RNN的輸入包含兩部分，第一部分是資料，第二部分是上一時刻的隱狀態。

迴圈神經網路記憶的具體過程

上圖基本概括了迴圈神經網路的核心。假設我們輸入一句話：我愛北京，這句話就會被分為三個詞我，愛，北京，第一時刻，“我”也就是X1進入系統，經過分解產生一個隱狀態h1，接下來，這個隱狀態h2和第二個詞X2一起輸入網路，再經過運算，又產生了第二個時刻的狀態h2，然後X3再和h2一起輸入，最終得到h3作為輸出。h3作為一個向量，表示了這句話的內容。用一句總結， 當前時刻的資料 + 上一時刻的狀態 = 當前時刻的狀態。

公式表示為：h(i+1) = f { [w*x + b] ，[W*h(i) + B] }，公式中“w”表示資料x的權重，b表示資料x的偏置值。“W”表示隱狀態的權重，B表示隱狀態的偏置值。這兩部分進過函式f就得到了下一個隱狀態，經過迴圈，最終得到最終的隱狀態。

迴圈神經網路的具體應用

既然是解決了序列問題，那麼對順序有依賴的問題都將迎刃而解。

機器翻譯系統 ：把一種語言經過上述過程，變成一個隱狀態向量，然後再反向用另一種語言解釋出來，就得到了翻譯的結果。你一直以為高大上的翻譯系統其實就是這麼簡單。在小編的後續文章中，會專門寫一篇文章，附加程式碼，來手把手帶你做一個自己的翻譯系統。

語音識別 ，人說的話，其實就是一組音訊，如果每個固定的頻率表示一定的含義，那麼就可以得到語音的全部表達了。解決這一問題的關鍵在於，這樣的特徵是用語言描述不清楚的，所以可以交給深度學習自動提取音訊特徵，進行學習，利用RNN的序列特性，就可以清晰表達所說的內容。

除了以上應用，迴圈神經網路在自然語言處理等其他眾多領域，也有十分可觀的前景。所以下一篇文章，我會帶領大家用程式碼敲出來一個迴圈神經網路。讓理論紮根於實踐！