文科生如何理解循环神经网络（RNN）？

这一份视频教程中，我会用简明的例子和手绘图，为你讲解循环神经网络（Recurrent Neural Network, RNN）的原理和使用方法。

关于深度学习，我已经为你讲解了不少内容了。

咱们简单回顾一下。常见的深度学习任务，面对的数据类型主要是三类：

第一类，是结构化数据，也就是样本和属性组成的表格。例如《如何用 Python 和深度神经网络锁定即将流失的客户？》一文中，我们用到的表格：

这种数据格式，最为简单。你也很容易理解深度神经网络的结构和处理方法。

第二类，是图像数据。《如何用 Python 和 fast.ai 做图像深度迁移学习？》一文中，我给你详细介绍过如何用卷积神经网络来处理它。

第三类，是序列数据，例如文本。《如何用 Python 和深度迁移学习做文本分类？》一文里面，咱们已经展示了如何使用 fast.ai 提供的语言模型对其进行处理。

其中，图像和序列数据，处理起来更需要你对深度神经网络结构的理解。

作为文科生，你在学习卷积神经网络和循环神经网络的时候，可能会遇到一些问题。因为它们大多采用比较复杂的结构图和公式进行描述。

当然，你看到了，即便你对于循环神经网络不了解，把它当成一个黑箱，你依然可以用高阶的深度学习框架，例如 fast.ai ，执行自然语言处理任务，而且效果还很突出。