【结构】RNN循环神经网络-常用结构

前面我们已经说过，RNN就是用来解决时间序列数据问题的，但是呢，实际使用中，会发现对于不同的时间序列问题，它的输入输出也是各种各样的，下面我们就来说说，对应于不同的输入输出要求时，RNN的一些常见结构。

一、RNN-常见应用结构

在实际应用中，RNN常见的结构分别有：NvN、Nv1、1vN和NvM四种，下面一起来看看它们分别是什么。

1.1. RNN神经网络-NvN结构

先来看看我们最基础的RNN神经网络的结构，如下：

可以看到，这时候有N个时刻的输入，同时，每个时刻都有输出，所以它的输入输出序列长度都是N。一般来说，我们可以称这种基础结构为NvN结构，它用于解决每个时刻都有输入、并且每个时刻都有输出。

-----------分割线-----------------

1.2. RNN神经网络-Nv1结构

好了，接下来我们再来看看Nv1的结构，固名思义，就是有N个时刻和输入，但只有一个时刻的输出，如下：

可以看到，t1-tN时刻都有输入，但最终模型只需要末时刻的输出。Nv1结构自然是常见的，例如我们要判断句子的情感类别，那么这时候就是Nv1结构了，按序列输入整个句子，最后输出句子属于哪种情感类别。

Nv1结构其实就是NvN结构屏蔽了其余时刻的输出，只保留末时刻的输出，有的同学可能会问，我用NvN结构解决Nv1问题不行吗？当然是可以的，但注意计算损失时只需要计算末时刻输出的误差就好了。

-----------分割线-----------------

1.3. RNN神经网络-1vN结构

同样的套路，当我们只有一个时刻的输入，但需要多个时刻的输出时，那么就变成了1vN结构了，如下：

可以看到，只有t1时刻有输入，其余时刻都没有输入，但会一直循环输出t1-tN时刻的输出。1vN结构可以应用于生成任务，例如输入"饼干"，再输出一段字数为N的、关于"饼干"的描述。

1vN结构其实就是NvN结构屏蔽了其余时刻的输入，只保留首时刻的输入，有的同学可能会问，我用NvN结构解决1vN问题不行吗？当然是可以的，只需要把其余时刻的输入都输入0就可以了。

-----------分割线-----------------

1.4. RNN神经网络-NvM结构

好了，重头戏来了，这里我们特别重点地来说NvM结构，在说NvM结构之前，我们先说说NvM序列预测问题，也称为seq2seq问题。

• 什么是seq2seq问题

如果现在要求"输入一个不定长度的序列，输出另一个不定长度的序列"，那么这就是seq2seq问题了，也就是“不定长序列-到-不定长序列”问题。例如中英翻译任务就是一个经典的seq2seq问题，输入的中文是不定长的，而输出的英文也是不定长的：

• RNN如何解决seq2seq问题(NvM)

RNN解决seq2seq问题(也就是NvM问题)，一般使用的是Encoder-Decoder结构，如下：

可以看到，它先用一个Nv1模型，来按顺序接收输入，它末时刻的输出就作为编码C。接下来再用一个1vM模型，来将编码C逐步解码出M个输出。如此一来，输入和输出都可以不定长了。

这类型的模型也称为Encoder-Decoder模型，也就是先用一个模型作为编码器来把输入X转换为一个编码C，然后再用一个模型作为解码器来把编码转换为输出y。

结束语

好了，这里我们看了RNN在实际应用中常见的4种模型结构，当然，这只是抛砖引玉，用来借鉴就可以了，在实际应用中还可以随机应变，爱怎么改就怎么改，适合自己所要解决的问题就行。