1.前者的输出作为后者的输入（循环），有先后关系的信息，前影响后，时间序列。处理数字信息。

2.独热编码 ont-hot Encoding：处理的文字数据地位相同，相当于用二进制数01给数据编码，会增加数据维度。

3.优点：有记忆力，每个神经元上一个时间点的输出会作为这个时间点的输入而加进来。

但是存在短期记忆的问题  记忆衰减，越近的输入占比越大。

但是前后文记忆的长度也不能太长，影响运行。太短会导致没理解意思。

4.隐藏层的激活函数：tanh，常用在rnn

tanh函数具有如下的优缺点：

优点：

零中心性质：tanh函数的输出范围在-1到1之间（可以更好的表示两种相反意思的数据），具有零中心性质，即均值为0，这有助于减少梯度消失问题，使得神经网络的训练更加稳定和快速。

非线性特性：tanh函数是一种非线性函数，引入了非线性变换，使得神经网络能够学习和表示更复杂的非线性函数关系。

平滑性：tanh函数是光滑且连续的，在整个定义域上都具有可导性，这对于基于梯度的优化方法（如梯度下降）非常重要。

特征缩放：tanh函数可以将输入数据映射到范围在-1到1之间，有助于对输入数据进行标准化和特征缩放，加速神经网络的训练过程。

缺点：

梯度饱和：当输入值较大或较小时，tanh函数的梯度会接近于零，可能会导致梯度消失问题，使得训练过程变得缓慢或停滞。

指数运算开销大：计算tanh函数需要进行指数运算，计算量较大，特别是在大规模数据集和深层网络中，可能会导致计算效率较低。

输出范围有限：虽然tanh函数的输出范围在-1到1之间，但与ReLU等激活函数相比，它的输出范围相对较小，可能会限制神经网络的表达能力。

5.LSTM（解决了RNN短期记忆）和GRU（优化了LSTM）

LSTM：

遗忘门：上图的sigmoid，遗忘过去。wf是初始化要给的值

输入门：用sigmoid选择是否记忆现在的信息。i用0 1表示是否记忆，c表示输入信息，然后把i和c相乘就能选择记忆了。

合并操作：