嗯 ，接下来咱们来说一下 ，就是在神经网络当中啊 ，另外一个比较重要的分支叫做递归神经网络 ，可能啊 ，就是大家刚看到这个 dv 神经网络的时候 ，觉得它是不是一个比较复杂的算法啊 ，其实啊 ，并不是这样的 ，第一个神经网络只是在传统神经网络基础之上进行一个改进而已 ，我们来看右边这张图 ，右边这张图我觉得解释 rn 啊是比较合适的 ，首先呢 ，我们来观察正常情况下属于什么样 ，这种情况下 ，比如这是一个隐藏神经元 ，我们的数据来之后 ，先经过隐藏 ，然后最终呢再得到一个输出的结果吧 ，这个就是我从前到后的一个顺序数据来了 ，然后我只能经过隐藏 ，然后不不管你有几个隐藏 ，最终得到一个输出就完事了 ，但是大家在想一个问题啊 ，当我们在用这个递归神经网络的时候 ，有没有一些限制啊 ，比如说现在我拿到一个数据 ，它是有一些时间顺序相关的 ，比如说我现在有一个数据 ，这个t1时刻的一个特征 ，t2时刻这个特征 ，t3时刻 ，一直t41直点点点到一个 t 时刻 ，相当于我在数据集当中 ，我自己加加什么 ，加进来了一个时间序列吧 ，那当我这个当我这个网络在进行训练过程当中 ，你说他能考虑时间序列这样一个事儿吗 ，不能吧 ，为什么 ，因为每一次它的输入 ，比如第一次他输入是个 te ，那你t1它是不是跟t2在这里它就没关系的 ，我这个网络只把 t 输进去了 ，t2没有考虑 ，所以说它会此时因为什么t1和t2之间是没有任何关系的 ，t2和t3之间以及它们每两个互相之间都是没有任何关系的 ，因为此时啊 ，我们会先进行洗牌 ，再进行一个拜师的选择 ，贸易传递过程当中不会干什么 ，不会考虑之间他们的一个关系的每一步操作都是独立来进行的 ，在这里好像就会遇到一些小问题啊 ，什么问题啊 ，就刚才说的 ，咱现在如果说有了一个持续的数据 ，那 tetrt 3t四他们既然有这样一个时间相关性啊 ，那网络能不能学到由于时间的一些相关性对结果产生一些影响呢 ，这个就是我们的一个 rn 网络 ，

在处理时间序列上 ，它有着先天的一个优势 ，我们先来看一下它这个架构当中啊是怎么样进行定义的 ，首先来看一下隐藏吧 ，隐藏当中啊 ，稍微有点特别 ，它多了一个圈给它连回来了 ，是这样一个意思吧 ，多了一个圈点什么意思啊 ，给大家解释一下 ，我们现在有个数据 ，数据经过隐藏之后 ，咱是不是能得到经过隐藏之后当前的一个特征啊 ，比如说它隐藏会把当前数据转换成64个特征 ，可以吧 ，可以变成64个特征吧 ，然后64个特征最终再来一个输出 ，然后得到十个不同类类别的概率值 ，这都可以吧 ，那此时咱们来想这样 ，我引这样一个就是回路回来之后 ，如果说x1我得到特征64个 ，它会干什么 ，他会把你x1得到的这64个特征给你拿回来吧 ，相当于啊一会我要再去利用一下中间这个特征 ，二网络基本出发点是这样 ，就是前一个时刻我确认出来的中间的一个结果特征也会对后一个时刻产生影响的 ，因为特征它无非就是数据的一个特征表达嘛 ，数据之间呈现出来这样一个相实在时序上呈现出来这样一个相关性 ，我在特征上也会呈现出来这样一个相关性 ，这个意思 ，所以说呢当我的x2来之后 ，注意点这个64我写的x1吧 ，它是x1的一个重要特征 ，当第二个数据x2来之后 ，x2来之后 ，咱们来看啊此时我的输入是什么 ，此时我的输入它是两个箭头吧 ，也就是说我的x2在进行输入的同时 ，我x1的一个中间结果 ，中间特征结果也要进行一个输入 ，它俩是同时传入到一层当中的 ，这个就是网络当中啊它的一个小细节了 ，会把前一层得到中间结果保留下来 ，跟下一层参就是参与下一层它一起的一个运算 ，啊这个意思 ，然后你想这个 hr 来了 ，hr 来之后 ，他就是x2来之后 ，他会不会把 hr 也带回来啊也会吧 ，因为 hr 表示我第二次的中间特征 ，那x3来之后呢 ，X3之后 ，此时这里它就是什么 ，

这里它就是一个h2中间的一个特征了 ，但是大家不要觉得就是这个 hr 中间特征 ，它是指包括这个t2的 ，它能不能包括t1啊 ，也会融合一部分 t 进来吧 ，