在Tensorflow中构建递归神经网络
递归神经网络（RNN）可检测顺序数据（例如时间序列数据）中的特征。可以使用RNN进行应用的示例包括时间序列数据中的异常检测，ECG和EEG数据的分类，股市预测，语音识别，情感分析等。      
通过将数据展开 到自身的N个不同副本中（如果数据包含N个时间步长）来完成此操作。这样，当评估时间步长的数据时，可以使用先前时间步长的输入数据。如果先前时间步的数据以某种方式与当前时间步的数据相关，则将记住这些相关，否则将其忘记。
t_n-1，t_n-2，t_n-3，...，t_0  t_n
通过展开数据，可以在所有时间步长上共享神经网络的权重，并且RNN可以推广到当前时间步长以外的示例以及训练集中的序列之外。
这是RNN工作原理的简短描述。对于想了解更多信息的人，这里有一些阅读材料，可帮助您快速入门。现在，我想让您记住的是，递归神经网络可以了解顺序数据中是否存在时间依赖性，如果存在，则可以使用哪些依赖性/特征来对数据进行分类。因此，RNN非常适合用于时间序列，信号和文本文档的分类。  
因此，让我们从在Tensorflow中实现RNN并使用它们对信号进行分类开始。
题库