循环神经网络（RNN）

循环神经网络（RNN，Recurrent Neural Network）是一种专为处理时序数据和自然语言等具有顺序性的数据而设计的神经网络。 普通神经网络对输入和输出进行一对一处理，而RNN具有在内部保持“过去的输出（状态）”并按序列整体逐步处理的结构。 这种“时间维度上的信息传播”能力使RNN适用于以下任务： - 文本上下文理解（自然语言处理） - 语音和音乐等连续数据处理 - 传感器数据分析与预测 - 时序数据的异常检测与分类 RNN的核心机制在于每个时间步的输出会反馈到下一个时间步的输入，这种循环结构起到了“记忆”的作用。 然而，标准RNN在学习长期依赖关系时存在困难，受“梯度消失问题（vanishing gradient）”影响，性能受到制约。 为解决这一问题，LSTM（长短期记忆网络）和GRU（门控循环单元）等改进型架构相继出现，使更复杂的时序处理成为可能。 目前，基于Transformer的模型（BERT、GPT等）已成为主流，但RNN因结构简单、计算成本低，在轻量设备和实时处理场景中仍被广泛使用。