RNN与反向传播算法（BPTT）的理解
RNN是序列建模的强大工具。
今天主要搬运两天来看到的关于RNN的很好的文章：
- Anyone Can Learn To Code an LSTM-RNN in Python (Part 1: RNN) 这个博客相当赞，从Toy Code学习确实是个很好的方法（便于理解抓住核心）！。
- David 9的博客，有上面的译文，还有一些包括GAN（生成对抗网络）的Toy code.
- RNN反向传播算法（BPTT）的理解和介绍，链接的文章非常清晰！归根结底还是BP，只是隐层更新是牵涉到未来时间戳的输出（因为当前隐层的输出会被记忆并影响未来）。
- Andrej Karpathy blog on RNN
PS: 第一个链接中的Toy Code做一些说明
之所以要循环8（binary_dim=8）次，是因为输入是2维的（a和b各输入一个bit），那么，每个bit只会影响8个时间戳。因此要注意RNN的训练，应该以每一个完整的序列（这里就是a和b两个八位二进制数）作为一个training sample，而非以每一次输入（2 bits）作为一个sample；同样的在反向传播时，也同样遵循这个原则，此处因为每次输入会影响8个时间戳（或者说每8次输入为一个完整的training sample），所以要循环8次。
再然后，第99行（五角星处）的隐层delta更新法则与上面给出的RNN反向传播算法BPTT一文中的下图正好一致！
先写这么多。
RNN是序列建模的强大工具。
今天主要搬运两天来看到的关于RNN的很好的文章：