RNN
循环神经网络主要适合处理有连续特征的数据（序列数据），比如语音、文本等
对于自然语言处理来讲，通常我们会首先对一段话进行分词，将分好后的词$X_0,X_1,X_2...X_t$依次输入其中，前面的每个词经过rnn中的A（类似于bp神经网络结构）后，都会对A产生影响，从而对后面词的输出产生影响，来完成对一整段连续数据的处理，例如机器翻译，输出这段文本的分类等。
rnn在A向后传播的时候，后面词对输出的影响会逐渐减弱，这样就会导致只有前面的词对结果的影响比较大，针对这种缺陷，大神们又推出了rnn的变种LSTM（长短时记忆网络）
LSTM
上图左边是lstm的基本神经元结构，信号从图的下方输入，从图的上方输出，关键的是 他的三个门，输入门（Input Gate）、遗忘门(Forget Gate)、输出门(Output Gate)，这三个门的参数初始值都是随机初始化的，通过带标签的数据进行训练，最终得到相应的值，比如lstm模型中某个神经元的输入门是0.133221,遗忘门是0.233345，输出门是0.89893。
在看上图右边，输入数据与各门相乘再向后传播，说实话我没有很清晰的理顺数据传输的过程，然后我又去看了下吴恩达老师的lstm的讲解，很遗憾我还是不能很清晰的理顺，这个之后还需再找些其他的详细资料看一下。
上图是lstm的整体数据处理的过程，通过各种门可以非常好的控制什么信号可以输入、什么信号不能输入、什么时候能输出（序列数据时序很重要，如机器翻译）还有在隐藏层里的数据在向后传的时候忘记还是不忘记。
目录：
- tensorflow简介、目录
- tensorflow中的图（02-1）
- tensorflow变量的使用（02-2）
- tensorflow中的Fetch、Feed（02-3）
- tensorflow版helloworld---拟合线性函数的k和b（02-4）
- tensorflow非线性回归（03-1）
- MNIST手写数字分类simple版（03-2）
- 二次代价函数、交叉熵(cross-entropy)、对数似然代价函数（log-likelihood cost）(04-1)
- 多层网络通过防止过拟合，增加模型的准确率（04-2）
- 修改优化器进一步提升准确率（04-3）
- 手写数字识别-卷积神经网络cnn（06-2）
- 循环神经网络rnn与长短时记忆神经网络简述（07-2）
- 循环神经网络lstm代码实现（07-3）
- tensorflow模型保存和使用08
- 下载inception v3 google训练好的模型并解压08-3
- 使用inception v3做各种图像分类识别08-4
- word2vec模型训练简单案例
- word2vec+textcnn文本分类简述及代码