循环神经网络 (RNN)

循环神经网络（Recurrent Neural Networks，RNNs）是一种专门用于处理序列数据（如时间序列数据或文本）的神经网络。RNNs的主要特点是它们具有“记忆”功能，能够利用前面的信息来影响后面的输出。

RNNs 的这种记忆功能来自于它们的循环结构。在 RNNs 中，神经元不仅接收来自前一层的输入，还接收自己在前一时间步的输出。这使得RNNs能够处理长度可变的输入序列，并且能够捕捉序列中的时间依赖性。

然而，传统的 RNNs 在处理长序列时存在梯度消失和梯度爆炸的问题，这使得它们难以捕捉序列中的长期依赖性。为了解决这个问题，人们提出了一些改进的RNNs，如长短期记忆网络（Long Short-Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU）。

以下是一个简单的RNN模型的示例：

model = tf.keras.models.Sequential([
    tf.keras.layers.SimpleRNN(50, return_sequences=True, input_shape=(None, 1)),
    tf.keras.layers.Dense(1)
])

在这个模型中，输入是一个长度可变的序列，每个序列元素是一个一维向量。模型首先通过一个RNN层，然后通过一个全连接层进行预测。