RNN主要特点是，在DNN隐藏层的输出内容会被存储，并且可以作为输入给到下一个神经元。
如下图所示，当“台北”这个词被输入的时候，前面的词有可能是“离开“，有可能是”到达“，如果把上一次输入的”离开“，所得的隐藏层内容，输入给下一层，这样就有可能区分开是”离开台北“，还是”到达台北“。
如果隐藏层存储的内容并给下次使用，叫做Elman Network
如果最终的输出内容给下次使用，叫做Jordan Network
双向RNN：从正向输入的内容，得到的存储内容，以及反向输入内容得到的存储内容，同时输入给模型。
Long Short-term Memory，其实当人们说到使用RNN的时候，通常都是使用的LSTM。对于LSTM的每一个单元，除了输入的数据之外，还有另外三个“门”来控制输入，输出，存储。如下图所示，如此一来，每一个LSTM单元共有4个输入，以及1个输出。
这些控制的门都是向量，并且输入之后都需要进行一个sigmoid函数转换，因此输入和门进行计算之后，得到的输出是位于0-1之间的数据，这样就可以实现对输入、输出、存储与否的把控。而门的参数都需要由RNN学习得到。
如下图，假如输入的是z，经过函数转换，得到g(z)，输入门的数据z(i)，经过一个sigmoid函数转换，将其相乘，得到g(z) * f(z(i))
同样的，当控制存储数的门得到的结果是1的时候，那么以前的数据就会和1相乘，并于前面算的结果相加，这样就实现了对上次存储数据的利用。是0的时候就会删除上次的数据，实现存储数据的格式化。
最终得到的输出是h(c)，但如果输出门输入z0后计算的结果是0，则该输出就无法输出，是1的时候才可以输出。
LSTM和DNN的区别，就是把神经元换成了LSTM单元，输入的数据乘上权重之后，来控制各个门。因此参数变成平常DNN参数的4倍。
将整个流程简化来表示，如下。
实际中，LSTM不只是一个，它是多个组合，并且每一个的输出，以及存储的内容也会添加到下一次的输入当中。如下图所示：
以上便是LSTM的整体结构。
Python人工智能深度学习RNN模型流程结构的详细内容今天就为大家讲解到这里了，更多关于RNN模型流程结构的资料请关注其它相关文章！
