RNN对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息，利用了RNN的这种能力，使深度学习模型在解决语音识别、语言模型、机器翻译以及时序分析等NLP领域的问题时有所突破。
参考文献1：史上最详细循环神经网络讲解（RNN/LSTM/GRU） - 知乎 (zhihu.com)
序列特性就是符合时间顺序，逻辑顺序，或者其他顺序
一个简单的例子告诉我们序列（Sequence）是很重要的：
第一句话：I like eating apple！（我喜欢吃苹果！）
第二句话：The Apple is a great company！（苹果真是一家很棒的公司！）
我们都知道前一个apple是苹果，后一个apple是品牌，那我们是如何知道的呢，显然是通过前后文知道的。如此我们想要判断一个句子中词语的含义就不能只输入这个词语，而是要输入这个句子。\(X_i\)是我们真正的x，相应的在RNN我们可以人为设计输出的序列,这也说明我们要明确自己需要的\(Y\)和\(X\)的对应关系
接下来我们来解析一下整个循环神经网络运行的流程：
接下来我们来解析一下整个循环神经网络计算过程：
