写在前面?
本系列笔记为Datawhale11月组队学习的学习笔记：水很深的深度学习。本次组队学习重理论知识学习，包含DL相关的基础知识，如CNN、RNN、Transformer等。参与本次组队学习两个目的：第一，提起自己DL学习的热情；第二，巩固基础知识，使得做实验更加得心应手。
DW 学习文档
卷积神经网络
本章内容是对于前馈神经网络的总结。前馈神经网络就是目前主流神经网络的基础知识，我们需要从中学习到基本的神经元模型，反向传播算法（多层神经元如何进行学习的），网络的优化等。
I 计算图
计算图的引入是为了后面更方便的表示网络，计算图是描述计算结构的一种图，它的元素包括节点(node)和边(edge)，节点表示变量，可以是标量、矢量、张量等，而边表示的是某个操作，即函数。
下面这个计算图表示复合函数
II 循环神经网络（Recurrent Neural Network）
RNN的发展历程：
循环神经网络是一种人工神经网络，它的节点间的连接形成一个遵循时间序列的有向图，它的核心思想是，样本间存在顺序关系，每个样本和它之前的样本存在关联。通过神经网络在时序上的展开，我们能够找到样本之间的序列相关性。
其中各个符号的表示： xt,st,ot分别表示的是t时刻的输入、记忆和输出， U,V,W是RNN的连接权重，bs,bo是RNN的偏置，σ,φ是激活函数，σ通常选tanh或sigmoid，φ通常选用softmax。
其中 softmax 函数，用于分类问题的概率计算。本质上是将一个K维的任意实数向量压缩 (映射)成另一个K维的实数向量，其中向量中的每个元素取值都介于(0，1)之间。
III 长短时记忆网络
在RNN中，存在一个很重要的问题，就是梯度消失问题，一开始我们不能有效的解决长时依赖问题，其中梯度消失的原因有两个：BPTT算法和激活函数Tanh
IV 循环神经网络的主要应用
语言模型，问答系统，自动作曲，机器翻译，自动写作， 图像描述
V 总结
RNN虽然理论上可以很漂亮的解决序列数据的训练，但是它也像DNN一样有梯度消失的问题，当序列很长的时候尤其严重。虽然同选择合适的激活函数等方法能够一定程度的减轻该问题。但人们往往更青睐于使用RNN的变种。
因此RNN一般没有直接应用的领域。在语音识别，对话系统以及机器翻译等NLP领域实际应用比较广泛的都是基于RNN模型的变种。