循环神经网络产生动机
假设我们现在使用传统的语言模型来做一个简单的预测任务，存在这样一个句子：
读芯术是一个优秀的公众号，里面有着很多有用的信息，我经常在___中寻找信息、获取知识。
如果我们采用n-gram模型去预测空格的内容，比如2-gram，模型会给出“在”之后出现概率最高的词。虽然在我们看来，“读芯术”是高概率的选项，但在训练了很多资料后，“读芯术”出现在“在”的后面概率必然是极低的，因为我们一般会说“在家”等常用词。当然，我们可以将模型看到的范围继续扩大，直到在前文中看到读芯术这个名称，但是这样的思路在实践中并不可行，N越大，马尔可夫链就越长，数据稀疏严重，计算困难，更重要的是，我们需要将这个N设定为一个固定的值，这样就无法处理任意长度的句子。
带有循环结构的网络都可以被叫做循环神经网络（recurrent neural network），RNN可以非常有效的解决这个问题，从简单的理论上来说，它可以处理任意长度的序列，并且不需要提前将N固定住，灵活性更高。
卷积神经网络也可以处理时间序列的问题，尤其是在我们关心某些特征是否出现，而不是它具体位置的时候，CNN具有一定的优势。但在处理自然语言类型的数据时，比如在情感分类问题中，我们将文本分成正面和负面，CNN在可能会处理成某些词语的出现就意味着正面情感，比如“喜欢”，“美”，如果这样一个句子：
我不是不喜欢这部电影，这部电影不能说不美，但是……
我们能很快的知道，这个评价是一个负面评价。那么如果只提取特征，而忽略了词与词之间的关系，CNN可能会发现文本存在“喜欢”就将其归为正面，看到“不喜欢”就归为负面，再看到“不是不喜欢”就又将其归为正面，显然是不合理的。这时就需要我们采用语言模型来理解这句话的意思。
理解循环神经网络
我们经常会在学习资料中见到RNN的图示：
这幅图对于初学者来说是不友好的，而且非常容易产生更多的误解，虽然我们能从中看到时间序列的依赖性，从st-1到st中添加了传播的箭头，表示有信息从前面的神经元直接流向后面的神经元，但关于更多问题是这张图无法告诉我们的，比如：
- 数据是同时进入的吗？
- 在最开始的时候，第一个单元是否也会接受前一个神经元的输入？如果是，第一个神经元没有前一个神经元，那么这个输入来源于哪里？
- 在同一层的隐藏单元中进行传播的权值矩阵W，以及输入到隐层的权值矩阵U，隐层到输出的权值矩阵V，为什么是相同的？
虽然上图是一个使用广泛的示意图，事实上，更好理解循环结构的方式并非如此。
为了更好的帮助大家理解循环结构，我画了几幅草图。设想一个简单的前馈神经网络，输入、输出、隐层均只有一个神经元，如下图。这里的圆圈没有任何抽象的含义，一个圆圈就是一个神经元：
当我们输入时间序列的第一个数据点后，就把这时隐层的值用一个记忆单元存起来，这个记忆单元并不是一个实体，而是一个用来存取东西的结构：
我们存入的memory单元的作用就存取了X1的特征，当我们输入时间序列的第二个数据点时，要注意，网络的结构保持不变，只是我们将memory中的信息也输入到隐层中，相当于，第二个数据点的隐层接受了数据和第一个数据点的特征进行输出，同时将此时隐层的信息返回到memory，再次存起来：
在第三个数据点输入的时候，memory单元所操作就是前一步得到的信息，并将得到的信息存起来，供下一个时间步的输入：
这样依次进行下去，我们就得到了与大家喜闻乐见的那幅图类似的结构，为了表达先前的信息对现在的影响，我们在输入memory单元时，采用一个权值矩阵W参数化记忆单元，那么一一对应关系就变成了：
在这里，我们将每个圆圈都理解为一个神经元，但如果我们将一个圆圈理解为一层神经元，也就是将其抽象成结构，输入，隐层，输出都是多维的，并将其按照时间展开，就会得到：
在此基础上，我们解释上述的问题：
- 数据是同时进入的吗？显然不是，数据是按照顺序进入，我们在处理序列化的数据时，往往会在用滑动窗口的办法来调整不同的结构。
- 在最开始的时候，第一个单元是否也会接受前一个神经元的输入？如果是，但第一个神经元没有前一个神经元，那么这个输入来源于哪里？
我们在第一个数据点进入时，需要对memory单元设置初始值，这个初始值可以作为一个参数，也可以将其简单的设置为零，表示前面没有任何信息。 - 在同一层的隐藏单元中进行传播的权值矩阵W，以及输入到隐层的权值矩阵U，隐层到输出的权值矩阵V，为什么是相同的？
这是一个非常重要的问题，也是我们无法从图中推断的知识。大大减少参数数量是一个原因，但不是本质上的。我们先不考虑矩阵W，只考虑普通的神经网络，因为在序列上不同数据，都是采用相同的神经网络。CNN用参数共享的卷积核来提取相同的特征，在RNN中，使用参数共享的U,V来确保相同的输入产生的输出是一样，比如一段文本中，可能会出现大量的“小狗”，参数共享使得神经网络在输入“小狗”的时候，产生一样的隐层和输出。
此时，我们讨论矩阵W，参数共享的矩阵W确保了对于相同的上文，产生相同的下文。