循环神经网络
循环神经网络 (Recurrent Neural Network, 简称RNN)是一个时间序列模型。RNN保存有内部状态，能够记忆之前时间步的信息，并将其用于当前时间步的计算。本模块介绍RNN的网络结构，包括单向和双向RNN，以及高级RNN Cell (LSTM、GRU)，并演示如何利用RNN完成序列分类 (文本分类) 和序列标注任务。
序列学习任务：
以序列作为输入的学习任务主要有三种：
1.序列分类任务
将序列数据作为一个整体，进行分类，如文本分类任务。神经网络需要计算整个序列的表征，再基于这个特征表征完成分类任务。常见的文本分类任务有：情感分类，垃圾邮件分类，新闻分类、对话的意图识别等。模型一般会预测后验概率
，再将后验概率最大的类别作为预测标签。
2.序列标注任务
将序列数据中的每个元素分别进行分类，每个元素都打上一个类别标签。在NLP领域，最典型的序列标注任务是命名实体识别。模型需要为每个元素计算特征，并基于该特征作出分类。序列标注任务需要考虑输入序列以及输出序列 （即标签序列）中元素之间的关联。
3.Seq2Seq
输入一个序列，输出另外一个序列。输出序列和输入序列的长度没有必然联系，由模型来决定输出序列的长度，即判断何时停止输出。例如：机器翻译，文本摘要，Data2Text，Text2Sql等等。
