sentiment analysis，根据评价来判断为好评还是差评。例如I hate this boring movie，每个单词都用一个张量[100]进行表示，整句话就可以用张量[5, 100]进行表示。每个单词经过线性层操作之后（w和b的shape为[100, 2]），与线性层相连接提取特征，抽取高层特征，会得到一个张量[2]，经过加和计算可以得到张量[5, 2]，进而得到概率值P(pos|x)判断评论的好坏属性。
但是这样的方法存在问题，当句子太长的时候，[w，b]的参数太多。这时候我们可以采用权值共享的方法，把所有的[w, b]用同一个值进行处理，这样会大大减少参数量。
而且没有一个上下语境信息，我们不能一个一个的单词进行处理，而需要看整体的句子，需要持续的协调一致的张量（consistent tensor），存储统一的语境信息。首先，初始化h0，第一个单词不仅输入输入的特征向量 "I"，还输入初始值h0的特征向量；第二个单词，输入 "hate"的同时，也输入上一时刻的语境信息 h1；第三个单词，输入 "this"的同时，也输入上一时刻的语境信息 h2。
简化之后，可以得到如果输入特征为[5， 3， 100]，一句话有5个单词，有三个句子batch，每个单词用100维的特征向量进表示，输入一句话的时候shape为[3, 100]，然后进行不断自我更新，自我更新机制取决于上一时刻的输出和当前输入。
展开之后可以得到：
如何进行训练RNN呢？