rnn index

chapter_recurrent-neural-networks/index.md

 # 循环神经网络
 
+与之前介绍的多层感知机和卷积神经网络不同，循环神经网络引入了状态变量。在一个序列中，循环神经网络当前时刻的状态不仅保存了过去时刻的信息，还与当前时刻的输入共同决定当前时刻的输出。
+
+循环神经网络常用于处理序列数据，例如一段文字或声音、购物或观影的顺序、甚至是图片中的一行或一列像素。因此，循环神经网络在实际中有着极为广泛的应用，例如语言模型、文本分类、机器翻译、语音识别、图像分析、手写识别和推荐系统。
+
+由于本章中的应用基于语言模型，我们将先介绍语言模型的基本概念，并以此问题激发循环神经网络的设计灵感。接着，我们将描述循环神经网络中梯度计算方法，来探究循环神经网络训练可能存在的问题。对于其中的部分问题，我们可以使用本章稍后介绍的含门控的循环神经网络来解决。最后，我们将拓展循环神经网络的架构并介绍更精简的Gluon实现。
 
 ```eval_rst
 

chapter_recurrent-neural-networks/rnn-scratch.md

@@ -412,13 +412,13 @@ def train_and_predict_rnn(rnn, is_random_iter, num_epochs, num_steps,
 以下定义模型参数和预测序列前缀。
 
 ```{.python .input}
-num_epochs = 250
+num_epochs = 300
 num_steps = 35
 batch_size = 32
 lr = 0.2
 clipping_theta = 5
 prefixes = ['分开', '不分开']
-pred_period = 50
+pred_period = 60
 pred_len = 100
 ```