目录
1.双向RNN（BRNN）
（1）简介
- 双向RNN模型（bidirectional RNN），它可以让你在序列的某点处不仅可以获取之前的信息，还可以获取未来的信息
（2）例子
-
-
回顾命名实体识别的例子，在判断第三个单词Teddy是不是人名的一部分时，我们只看了前三个单词，除了这些信息我们还需要更多的信息。因为根据前3个单词无法判断他们说的是Teddy熊，还是前美国总统Teddy Roosevelt。
-
在之前，我们RNN都是前向的，如何构成双向的RNN呢？
-
-
如上图，我们添加一层反向循环层（绿色标记）。给定一个输入序列x＜1＞到x＜4＞：
-
序列先计算前向a＜1＞，a＜2＞，a＜3＞，a＜4＞，正向传播
-
然后在反向计算a＜4＞，a＜3＞，a＜2＞，a＜1＞，这也是正向传播
-
然后计算y: 使用双向的激活值计算
-
-
这就是双向循环神经网络，并且这些基本单元不仅仅是标准RNN单元，也可以是GRU单元或者LSTM单元。
（3）缺点
- 双向RNN网络模型的缺点就是你需要完整的数据的序列 才能预测任意位置。比如构建一个语音识别系统，那么双向RNN模型需要考虑整个语音表达，你需要等待这个人说完，然后获取整个语音表达才能处理这段语音，并进一步做语音识别。对于实际的语音识别的应用通常会有更加复杂的模块（somewhat more complex modules），而不是仅仅用我们标准的双向RNN模型。
2.深层RNN（DRNN）
- 通常我们会把RNN的多个层堆叠在一起构建更深的模型，来构建一些更深的RNN。
- 这里的堆叠隐含层的堆叠，如下图
- 如上图紫色标记，看这个激活值a[2]＜3＞是怎么计算的，一共有两个输入：一个是下面过来的输入a[1]＜3＞，一个是左边过来的输入a[2]＜2＞，于是计算公式为：
- 对于左侧这样标准的神经网络，有很深的网络，甚至于100层深，而对于RNN来说，有三层就已经不少了。由于时间的维度，RNN网络会变得相当大，即使只有很少的几层，很少会看到这种网络堆叠到100层。