深度学习问答09：循环神经网络RNN原理及序列数据适配场景.docxVIP

深度学习问答09：循环神经网络RNN原理及序列数据适配场景

一、核心问答正文

问题1：为什么要学习RNN循环神经网络？

在前面01-08章节中，我们系统学习了全连接神经网络与卷积神经网络CNN。无论是FC还是CNN，都存在一个共同特性：样本之间相互独立，输入数据无时间顺序、无前后关联。图像分类、回归任务的数据属于静态数据，单张图片的预测结果与其他图片不存在任何关联。

但现实生活中存在大量时序序列数据，例如自然语言文本、语音音频、股票走势、天气数据、用户行为轨迹。这类数据最大特点是：当前时刻的输出，依赖过往历史信息，数据具备严格的时间先后顺序，普通CNN、全连接网络无法捕捉时序关联性。

为解决时序数据处理难题，循环神经网络（RNN）应运而生。RNN是专门为序列数据设计的专属网络，也是处理NLP自然语言任务的基础模型，同时LSTM、GRU、Transformer等热门模型，均是在原始RNN基础上迭代优化而来。该章节属于深度学习、软考人工智能、算法面试的核心必考知识点。

问题2：静态数据与序列时序数据的核心区别

想要读懂RNN的设计价值，首要区分静态数据与序列数据，理解传统网络的适配短板：

（一）静态数据

以图像、结构化表格数据为代表，数据维度固定、无时间属性、样本互相独立。模型仅需根据单次输入即可完成预测，无需参考其他数据；CNN、全连接网络是最优解。例如猫狗分类、商品价格回归任务。