循环神经网络是一种擅长处理序列数据的神经网络结构，它通过让信息在时间步之间循环传递，获得了对上下文信息的“记忆”能力。本文将深入&浅出地为你解析RNN的核心原理、主要特点、经典改进方案以及实际应用场景。

1. 循环神经网络的原理

1.1 基本概念

循环神经网络最核心的思想是：将前一个时间步的输出作为当前时间步的输入，从而让网络拥有“记忆”。与传统的前馈神经网络（每一层只向前传递）不同，RNN在处理一个序列时，可以反复利用之前步骤的信息。它的基本结构包含三个部分：输入层、隐藏层和输出层。

1.2 网络结构

RNN的结构分为两种常见形式：

• 单层RNN：只有一个隐藏层，结构简单，适合处理较短序列或学习基础模式。
• 多层RNN：堆叠多个隐藏层，每个隐藏层可以看作一个单层RNN，能够提取更抽象的时间特征，适合复杂任务。