不同于传统FNN，RNN无需在层面之间构建，同时引入定向循环，能够更好地处理高维度信息的整体逻辑顺序。本文中，MIT的NikhilBuduma将带您深入探析RNN的原理、训练和优化等各方面的内容，以及RNN已经获取的一些成就。在深度学习领域，传统的前馈神经网络（feed-forwardneuralnet，简称FNN）具有出色的表现，取得了许多成功，它曾在许多不同的任务上——包括手写数字识别和目标分类上创造了记录。甚至到了今天，FNN在解决分类任务上始终都比其他方法要略胜一筹。尽管如此，大多数专家

不同于传统FNN，RNN无需在层面之间构建，同时引入定向循环，能够更好地处理高维度信息的整体逻辑顺序。本文中，MIT的NikhilBuduma将带您深入探析RNN的原理、训练和优化等各方面的内容，以及RNN已经获取的一些成就。在深度学习领域，传统的前馈神经网络（feed-forwardneuralnet，简称FNN）具有出色的表现，取得了许多成功，它曾在许多不同的任务上——包括手写数字识别和目标分类上创造了记录。甚至到了今天，FNN在解决分类任务上始终都比其他方法要略胜一筹。尽管如此，大多数专家

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets('mnist_data/',one_hot=True) #注意这里用了one_hot表示，标签的形状是(batch_size,num_batches)，类型是float，如果不用one_hot，那么标签的形状是(batch_size,)，类型是int num_class