# 使用 TensorFlow 和 Keras 的 RNN 在涉及有序數據序列的問題中，例如**時間序列預測**和**自然語言處理**，上下文對于預測輸出非常有價值。可以通過攝取整個序列而不僅僅是最后一個數據點來確定這些問題的上下文。因此，先前的輸出成為當前輸入的一部分，并且當重復時，最后的輸出結果是所有先前輸入的結果以及最后一個輸入。 **循環神經網絡**（ **RNN** ）架構是用于處理涉及序列的機器學習問題的解決方案。 **循環神經網絡**（ **RNN** ）是一種用于處理順序數據的專用神經網絡架構。順序數據可以是一段時間內的觀察序列，如時間序列數據，或字符序列，單詞和句子，如文本數據。 標準神經網絡的一個假設是，輸入數據的排列方式是一個輸入不依賴于另一個輸入。然而，對于時間序列數據和文本數據，該假設不成立，因為序列中稍后出現的值通常受到之前出現的值的影響。 為了實現這一目標，RNN 通過以下方式擴展了標準神經網絡： * 通過在計算圖中添加循環或循環，RNN 增加了將一個層的輸出用作相同或前一層的輸入的特性。 * RNN 添加存儲器單元以存儲可在當前計算中使用的先前輸入和輸出。 在本章中，我們將介紹以下有關 RNN 的主題： * 簡單的循環神經網絡 * RNN 變種 * 長期短期內存網絡 * 門控循環單元網絡 * RNN 的 TensorFlow * 適用于 RNN 的 Keras * 用于 MNIST 數據的 Keras 中的 RNN 接下來的兩章將介紹在 TensorFlow 和 Keras 中為時間序列和文本（NLP）數據構建 RNN 模型的實際示例。