RNN
RNN，循环神经网络，是一种专门处理序列数据的神经网络，其基本结构如图所示：
RNN的输入是序列数据x与上轮计算输出的隐藏状态。假设RNN的隐藏层计算为fw，隐藏状态为h，将其计算图展开，可以得到：
值得注意是，每次隐藏层计算所需要的参数W，都是一样的，也就是所谓的共享参数。
RNN根据输入输出是不是变长， 可以分为下图中的右边四种。one-to-many比如是image captioning, many-to-one比如是sentiment classification, many-to-many比如是seq2seq，最后一种是video classification。
RNN的计算
拿一个简单的rnn拿做例子，讲讲rnn的前向与后向计算。
记隐藏状态为s，s = tanh(U*x + W * s)，a=f(a)， y=softmax(a)，loss为E，我们拿第三个time step举例。E对V的偏导数为：
其中对softmax的求导可参考这里。
E对W的偏导数较为复杂，因为求s3对W的偏导数时，而s3是s2的函数，s2也是W的函数。
值得注意的是，在这里，存在一个连乘
因而当序列过长时，必定造成梯度消失问题。而对于RNN时刻T的输出，是时刻t=1,…,T-1的输入综合作用的结果，也就是说更新模型参数时，要充分利用当前时刻以及之前所有时刻的输入信息。但是如果发生了梯度消失问题，就会意味着，距离当前时刻非常远的输入数据，不能为当前模型参数的更新做贡献，所以在RNN的编程实现中，才会有“truncated gradient”这一概念，只利用较近的时刻的序列信息，把那些“历史悠久的信息”忽略掉了。
RNN的后向计算，从图的角度来理解的话，看下图的红色线，需要经过多次W，即需要多次乘上W，非常容易导致梯度爆炸或梯度消失。
我们可以通过梯度裁剪（gradient clipping）解决梯度爆炸，而梯度消失问题，我们需要用到LSTM。
LSTM
LSTM可由上图解释，通过4个门，来控制更新量。相比普通的rnn，在LSTM中，迭代的值有两个,ct和ht，f控制ct的遗忘程度，而i和g控制ct的更新程度，o则控制ct到ht的表达程度。上图其实已经是一个比较有总结性的图，由于i,f,o,g都需要一个wx,wh分别乘上x，h，即有4组wx,wh，那么就可以组成一个4*2的大矩阵W，一次性同时计算（TensorFlow的LSTM就是这么实现的）。
LSTM的图计算可以由下图表示:
那么为何LSTM能解决梯度消失问题呢？主要是由于：
相比普通RNN的在隐藏状态之间的求偏导需要矩阵相乘，在lstm中是大量的element-wise相乘
-
ct之间，存在一条梯度的高速通道，类似于resnetLSTM3
Seq2Seq
seq2seq由encoder和decoder两部分组成，其中encoder部分可以看做是many-to-one，而decoder则是one-to-many。
如图所示，将A,B,C通过rnn编码成W，W再通过rnn，解码成X,Y,Z。
Attention
从seq2seq角度来看，Attention是为了解决传统seq2seq长输入序列问题。
传统seq2seq会将输入序列不论长短，通过rnn编码成一个固定长度的状态向量(state vector)，这就导致，如果输入序列过长，那么这个向量难以保留全部的必要信息，导致后续解码时输入信息不足，模型性能差。
Attention机制其实很简单，既然只使用最后一个状态向量会造成信息损失，那么干脆把之前的状态向量都用好了，而attention机制起的作用就是选择恰当的状态向量。在大部分论文中，Attentions的实现是通过训练一个模型，输入是所有的encoder阶段的状态向量，输出是一个权重向量，代表各个输入的权重，权重越大，代表该输入越重要。
