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。
François Chollet 在他的 "Deep Learning with Python" 一书中，也提到过这种观点（注意这里说的是 RNN 的一个变种，叫做 LSTM）：
you don’t need to understand anything about the specific architecture of an LSTM cell; as a human, it shouldn’t be your job to understand it.
但是注意， François Chollet 后面还有一句话：
Just keep in mind what the LSTM cell is meant to do.
也就是说，它的实现细节，你不需要考虑。
当然，它的作用，你还是得了解的。
如果你需要做研究，就得针对具体的任务，对神经网络中的各种模块进行调整、拼装和整合。
这时候，如果你对深度神经网络的理解，基本上等同于黑箱，那么你甚至都不知道该如何把它的输出和其他模块拼接起来。
之前，我给你做了个视频讲解《文科生如何理解卷积神经网络？》，为你把卷积神经网络的原理进行了拆解剖析。
从读者和观众们的反馈来看，许多人觉得有帮助。
有不少人留言，希望我以同样通俗易懂的讲法，讲讲用于处理序列数据（例如文本）的循环神经网络（Recurrent Neural Network, RNN）的原理。
其实，我也早就想为你讲解这一部分的知识。无奈序列是个动态的概念，所以用文字来给你讲解循环神经网络模型，效率不高。
好在，我最近刚刚学会，如何在录制视频的时候，使用手写输入。于是我立即把这一技术，纳入到咱们的教程制作中来。
我花了一个晚上的时间，为你做了这份视频教程。已发布到了腾讯视频，链接在这里。
从我们耳熟能详的一个故事讲起，触类旁通，让你更容易理解循环神经网络的作用、特点和结构。
除了前文提到的一些材料，视频中还提及了词嵌入（word embedding）的相关知识。这一部分，你可以参考《如何用Python处理自然语言？（Spacy与Word Embedding）》和《如何用 Python 和 gensim 调用中文词嵌入预训练模型？》。
希望这份视频教程，对你了解循环神经网络能有帮助。
祝（深度）学习愉快！
喜欢请点赞和打赏。还可以微信关注和置顶我的公众号“玉树芝兰”(nkwangshuyi)。
如果你对 Python 与数据科学感兴趣，不妨阅读我的系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。
