复发神经网络（RNN）是一种深入学习网络结构，它使用过去的信息来提高网络对当前和未来输入的性能。是什么让RNN唯一的是网络包含隐藏状态和循环。循环结构允许网络存储隐藏状态的过去信息并在序列上运行。

经常性神经网络的这些特征使它们非常适合解决各种问题，这些问题与不同长度的顺序数据，例如：

展开RNN的单个单元格，显示信息如何通过网络移动数据序列。通过小区的隐藏状态来行动输入以产生输出，并且隐藏状态传递到下次步骤。

RNN如何知道如何将过去的信息应用于当前输入？网络具有两组权重，一个用于隐藏状态向量，一个用于输入。在培训期间，网络了解输入和隐藏状态的权重。实施时，输出基于当前输入，以及基于先前输入的隐藏状态。

LSTM.

在实践中，简单的RNN经历了学习长期依赖的问题。RNN通常通过BackPropagation培训，在那里他们可以体验'消失'或'爆炸'渐变问题。这些问题导致网络权重变得非常小或非常大，限制了学习长期关系的有效性。

一种克服这个问题的特殊类型的经常性神经网络是长期短期记忆（LSTM）网络。LSTM网络使用额外的门来控制隐藏单元格中的信息使其成为输出和下一个隐藏状态。这允许网络更有效地学习数据中的长期关系。LSTMS是一种常用的RNN类型。

RNN（左）和LSTM网络的比较（右）

马铃薯®拥有完整的功能和功能，可以使用文本，图像，信号和时间序列数据培训和实现LSTM网络。下一节将探讨RNN和一些示例的应用程序使用MATLAB。

RNNS的应用

自然语言处理

语言是自然顺序的，文本的长度变化。这使得RNN是一个很好的工具来解决这一领域的问题，因为它们可以学会在句子中的语境中展示文字。一个例子包括情绪分析，一种对单词和短语的含义进行分类的方法。机器翻译或使用算法在语言之间翻译，是另一个常见应用程序。单词首先需要从文本数据转换为数字序列。一种有效的做法是一个单词嵌入层。Word Embeddings地图单词转为数字向量。这例子下面使用Word Embeddings培训一个词情绪分类器，并使用MATLAB WordCloud功能显示结果。

Matlab的情绪分析结果。Word云显示培训过程的结果，因此分类器可以确定新的文本组的情绪。

在另一个分类器示例，Matlab使用RNN来对文本数据进行分类以确定制造失败的类型。matlab也用于一个机器翻译例培训网络以了解罗马数字。

信号分类

信号是自然顺序数据的另一示例，因为它们通常随时间从传感器收集。自动分类信号是有用的，因为这可以减少大型数据集所需的手动时间或实时允许分类。原始信号数据可以馈入深网络或预处理以专注于诸如频率分量的其他特征。特征提取可以大大提高网络性能，如电动心脏信号的例子。以下是An.例子使用RNN中的原始信号数据。

在Matlab中使用LSTM进行分类传感器数据。

视频分析

RNNS适用于视频，因为视频基本上是一系列图像。类似于使用信号，它有助于在将序列送入RNN之前进行特征提取。在这方面例子，佩带的googlenet模型（a卷积神经网络）用于在每个帧上进行特征提取。您可以在下面看到网络架构。

使用LSTM对视频进行分类的基本架构。