文科生如何理解迴圈神經網路（RNN）？
這一份視訊教程中，我會用簡明的例子和手繪圖，為你講解迴圈神經網路（Recurrent Neural Network, RNN）的原理和使用方法。
關於深度學習，我已經為你講解了不少內容了。
咱們簡單回顧一下。常見的深度學習任務，面對的 資料型別 主要是三類：
第一類，是結構化資料，也就是樣本和屬性組成的表格。例如《 ofollow,noindex" target="_blank">如何用Python和深度神經網路鎖定即將流失的客戶？ 》一文中，我們用到的表格：
這種資料格式，最為簡單。你也很容易理解深度神經網路的結構和處理方法。
第二類，是影象資料。《 如何用 Python 和 fast.ai 做影象深度遷移學習？ 》一文中，我給你詳細介紹過如何用卷積神經網路來處理它。
第三類，是序列資料，例如文字。《 如何用 Python 和深度遷移學習做文字分類？ 》一文裡面，咱們已經展示瞭如何使用 fast.ai 提供的語言模型對其進行處理。
其中，影象和序列資料，處理起來更需要你對深度神經網路結構的理解。
作為文科生，你在學習卷積神經網路和迴圈神經網路的時候，可能會遇到一些問題。因為它們大多采用比較複雜的結構圖和公式進行描述。
當然，你看到了，即便你對於迴圈神經網路不瞭解，把它當成一個黑箱，你依然可以用高階的深度學習框架，例如 fast.ai ，執行自然語言處理任務，而且效果還很突出。
François Chollet 在他的 "Deep Learning with Python" 一書中，也提到過這種觀點（注意這裡說的是 RNN 的一個變種，叫做 LSTM）：
you don’t need to understand anything about the specific architecture of an LSTM cell; as a human, it shouldn’t be your job to understand it.
但是注意， François Chollet 後面還有一句話：
Just keep in mind what the LSTM cell is meant to do.
也就是說，它的實現細節，你不需要考慮。
當然，它的作用，你還是得了解的。
如果你需要做研究，就得針對具體的任務，對神經網路中的各種模組進行調整、拼裝和整合。
這時候，如果你對深度神經網路的理解，基本上等同於黑箱，那麼你甚至都不知道該如何把它的輸出和其他模組拼接起來。
之前，我給你做了個視訊講解《 文科生如何理解卷積神經網路？ 》，為你把卷積神經網路的原理進行了拆解剖析。
從讀者和觀眾們的反饋來看，許多人覺得有幫助。
有不少人留言，希望我以同樣通俗易懂的講法，講講用於處理序列資料（例如文字）的迴圈神經網路（Recurrent Neural Network, RNN）的原理。
其實，我也早就想為你講解這一部分的知識。無奈序列是個動態的概念，所以用文字來給你講解迴圈神經網路模型，效率不高。
好在，我最近剛剛學會，如何在錄製視訊的時候，使用手寫輸入。於是我立即把這一技術，納入到咱們的教程製作中來。
我花了一個晚上的時間，為你做了這份視訊教程。已釋出到了騰訊視訊，連結在這裡。
從我們耳熟能詳的一個故事講起，觸類旁通，讓你更容易理解迴圈神經網路的作用、特點和結構。
除了前文提到的一些材料，視訊中還提及了詞嵌入（word embedding）的相關知識。這一部分，你可以參考《 如何用Python處理自然語言？（Spacy與Word Embedding） 》和《 如何用 Python 和 gensim 呼叫中文詞嵌入預訓練模型？ 》。
希望這份視訊教程，對你瞭解迴圈神經網路能有幫助。
祝（深度）學習愉快！
喜歡請點贊和打賞。還可以微信關注和置頂我的公眾號 “玉樹芝蘭”(nkwangshuyi) 。
如果你對 Python 與資料科學感興趣，不妨閱讀我的系列教程索引貼《 如何高效入門資料科學？ 》，裡面還有更多的有趣問題及解法。