循环神经网络（RNN）是一类擅长处理序列数据的神经网络，它能记住过去的信息，从而捕捉时间序列中的规律。本文为你详细介绍RNN的几种基本模型，包括它们的结构、计算过程以及适用场景，帮助你快速理解并选择适合自己任务的模型。

一、基本RNN模型

基本RNN（Vanilla RNN）是最简单、最经典的循环神经网络。它由输入层、隐藏层和输出层组成。在每个时间步，隐藏层会接收当前输入和上一时刻的隐藏状态，输出层则根据当前隐藏状态生成结果。

计算过程：

• 初始隐藏状态：h₀ = 0
• 在每个时间步 t，计算隐藏状态：hₜ = f(Wₓ·xₜ + Wₕ·hₜ₋₁ + b)
• 在每个时间步 t，计算输出：yₜ = g(V·hₜ + c)

其中，xₜ 是输入，hₜ 是隐藏状态，yₜ 是输出；Wₓ、Wₕ、V、b、c 为参数；f 和 g 是激活函数（通常 f 用 tanh 或 ReLU）。