概述
循环神经网络 (RNN) 旨在处理文本、语音和时间序列等序列。它们一次一步地处理数据，同时保留之前发生的事情的记忆，这使得顺序和上下文很重要。
循环神经网络位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
与同时查看所有输入的标准网络不同，RNN 逐步读取序列，将前一步的输出反馈回自身。这个循环创建了一个隐藏状态，即迄今为止所看到的所有内容的运行摘要，因此“银行”一词在“河流”之后的解释与“储蓄”之后的解释不同。普通 RNN 很难处理长序列，因为训练过程中梯度会收缩或爆炸，导致它们忘记远处的上下文。门控变体解决了这个问题：长短期记忆（LSTM，1997）和更简单的门控循环单元（GRU）使用门来决定保留、更新或丢弃什么，让网络在多个步骤中保留信息。在 Transformer 很大程度上取代它们之前，RNN 为早期的机器翻译、语音识别和预测文本提供了支持。
技术洞察
定义特征是反馈循环：在每个时间步，网络将当前输入与先前的隐藏状态相结合以产生新的隐藏状态。训练使用随时间的反向传播，这会展开所有步骤的循环并将误差向后传播。这就是梯度消失问题的关键所在，因为跨多个步骤相乘的梯度趋向于零。 LSTM 添加了单独的单元状态以及输入门、遗忘门和输出门，因此信息可以在几乎不变的长跨度上流动。
掌握循环神经网络
循环神经网络 (RNN) 旨在处理文本、语音和时间序列等序列。它们一次一步地处理数据，同时保留之前发生的事情的记忆，这使得顺序和上下文很重要。循环神经网络位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将循环神经网络视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用循环神经网络的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
为早期 Google 翻译和语音转文本听写系统提供支持
预测智能手机键盘自动完成和滑动打字中的下一个单词
根据历史时间序列数据预测股票价格、能源需求和天气
生成和分析音乐或检测流传感器数据中的异常
实施模式
循环神经网络的实践
为早期的 Google 翻译和语音转文本听写系统提供支持。
为早期Google 翻译和语音转文本听写系统提供支持 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力提升和错误成本时，通常会获得更好的结果。
循环神经网络的实践
预测智能手机键盘自动完成和滑动打字中的下一个单词。
预测智能手机键盘自动完成和滑动打字中的下一个单词当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
循环神经网络的实践
根据历史时间序列数据预测股票价格、能源需求和天气。
根据历史时间序列数据预测股票价格、能源需求和天气当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会得到更好的结果。
循环神经网络的实践
生成和分析音乐或检测流传感器数据中的异常。
生成和分析音乐或检测流传感器数据中的异常当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录循环神经网络在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录循环神经网络在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。