71、机器学习技术全解析：从RNN到强化学习

机器学习技术全解析：从RNN到强化学习

1. RNN与CNN处理序列

RNN在处理序列数据方面有着广泛的应用，不同类型的RNN适用于不同的任务：
- 序列到序列RNN ：可用于天气预测、机器翻译、视频字幕生成、语音转文本、音乐生成以及识别歌曲和弦等。
- 序列到向量RNN ：能对音乐样本按流派分类、分析书评情感、根据脑植入物读数预测失语患者所想单词，还能基于用户观看历史预测其观看电影的概率。
- 向量到序列RNN ：可用于图像字幕生成、根据当前艺术家的嵌入创建音乐播放列表、根据一组参数生成旋律，以及在图片中定位行人。

RNN层的输入和输出均为三维。输入的第一维是批次维度，代表批次大小；第二维表示时间，为时间步的数量；第三维是每个时间步的输入特征数量。例如，处理包含5个时间序列，每个序列有10个时间步，且每个时间步有2个值（如温度和风速）的批次时，输入形状为 [5, 10, 2] 。输出的前两维与输入相同，最后一维等于神经元数量。若一个有32个神经元的RNN层处理上述批次，输出形状为 [5, 10, 32] 。

构建深度序列到序列RNN时，需将所有RNN层的 return_sequences 设置为 True ；构建序列到向量RNN时，除顶层RNN层外，其他层的 return_sequences 应设为 True ，顶层设为 False （默