Update 17.md

原文是recurrent neural network，此处应是循环神经网络，而不是递归神经网络

docs/1.4/17.md

@@ -168,7 +168,7 @@ torch.Size([5, 1, 57])
 
 ## 建立网络
 
-在进行自动分级之前，在 Torch 中创建一个递归神经网络需要在多个时间步上克隆图层的参数。 图层保留了隐藏状态和渐变，这些图层现在完全由图形本身处理。 这意味着您可以以非常“纯粹”的方式实现 RNN，作为常规的前馈层。
+在进行自动分级之前，在 Torch 中创建一个循环神经网络需要在多个时间步上克隆图层的参数。 图层保留了隐藏状态和渐变，这些图层现在完全由图形本身处理。 这意味着您可以以非常“纯粹”的方式实现 RNN，作为常规的前馈层。
 
 这个 RNN 模块(主要从 PyTorch for Torch 用户教程的[复制）仅是 2 个线性层，它们在输入和隐藏状态下运行，输出之后是 LogSoftmax 层。](https://pytorch.org/tutorials/beginner/former_torchies/nn_tutorial.html#example-2-recurrent-net)
 
@@ -554,4 +554,4 @@ $ python predict.py Hazaki
 
 [`Download Python source code: char_rnn_classification_tutorial.py`](../_downloads/ccb15f8365bdae22a0a019e57216d7c6/char_rnn_classification_tutorial.py) [`Download Jupyter notebook: char_rnn_classification_tutorial.ipynb`](../_downloads/977c14818c75427641ccb85ad21ed6dc/char_rnn_classification_tutorial.ipynb)
 
-[由狮身人面像画廊](https://sphinx-gallery.readthedocs.io)生成的画廊
\ No newline at end of file
+[由狮身人面像画廊](https://sphinx-gallery.readthedocs.io)生成的画廊