前沿 CNN方面从理解上和实际操作上，感觉都比RNN要方便不少，而且CNN的参数更少，研究者更多，所以CNN的介绍和变形也稍微容易理解一点。 因为是学习笔记，估计唯一看的人是我自己，我就忽略一些CNN的基础部分，比如什么是卷积，卷积如何操作，pytorch怎么实现卷积层，什么是池化层，pytorch怎么实现池化层等等。后面网络模型介绍部分的图片来源是伯禹AI，网站里面也有详细的介绍。 如果有需要的，又不幸点到这篇不中用的文章，这里给出一些简单解释。 卷积计算（convolution）：可以理解为

前沿 本次笔记主要会描述NLP的相关知识，包括RNN，GRU，LSTM等模型；以及机器翻译的相关技术；Seq2Seq等。 由于对RNN接触不多，尝试记一些笔记会很凌乱，但是可以顺着知识线，按照给出的链接去自行阅读相关知识。 下一章，CNN的一些笔记 RNN的基础知识 关于RNN，也是老生常谈的网络结构了，为了提醒自己，补充一点小观点。下面是一些博客上讲解RNN的链接。 RNN 这篇文章比较概述性的讲解了RNN的一些基本知识。 除此之外，RNN是一个序列形的结构，在实现机器翻译的时候，或者句子简单