循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，其结构包含环和自重复，因此被称为“循环”。它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格)。
一、RNN网络类型RNN以输入数m对应输出数n的不同，可以划分为5种基础结构类型：
（1）onetoone：其实和全连接神经网络并没有什么区别，这一类别算不上RNN。
（2）onetomany：输入不是序列，输出是序列。可用于按主题生成文章或音乐等。
（3）manytoone：输入是序列，输出不是序列（为单个值）。常用于文本分类、回归预测。
（4）manytomany：输入和输出都是不定长的序列。这也就是Encoder-Decoder结构，常用于机器翻译。
（5）manytomany(m==n)：输入和输出都是等长的序列数据。这是RNN中最经典的结构类型，常用于NLP的命名实体识别、序列预测。
二、RNN原理关于RNN模型，我们还是从数据、模型、学习目标、优化算法这几个要素展开解析，使用过程需要重点