摘要：
双向RNN可以让某一单元的输出不仅可以考虑之前的信息，也可以考虑后面时间步的信息。前向传播分为从左向右，从右向左两部分，这样，隐藏层神经元会产生两个激活值，均对输出有影响。 对很多NLP问题，双向带有LSTM的RNN用的最多。缺点是必须获取整个序列才能获得输出。 如果要学习复杂的函数，需要将更多层堆 阅读全文
摘要：
nn：w比1大，会造成激活函数、梯度爆炸。w比1小，梯度会消失。随机化初始权重有助于解决这个问题。 RNN同样有梯度消失问题，反向传播时后面的梯度很难传到前面的层，从而影响到前面的层的计算。梯度爆炸会发生数值溢出，可以通过修剪、缩放来解决。 GRU：记忆细胞C<t>的作用是提供记忆的能力。候选值C^ 阅读全文