Merge pull request scutan90#29 from sjsdfg/patch-1

Update 第六章_循环神经网络(RNN).md

MarkDown/第六章_循环神经网络(RNN).md

@@ -30,13 +30,10 @@ RNNs之所以称为循环神经网路，即一个序列当前的输出与前面
 
 **图中信息传递特点：**
 
-1、有一条单向流动的信息流是从输入单元到达隐藏单元；
-
-2、与此同时，另一条单向流动的信息流从隐藏单元到达输出单元；
-
-3、在某些情况下，RNNs会打破后者的限制，引导信息从输出单元返回隐藏单元，这些被称为“Back Projections”；
-
-4、在某些情况下，隐藏层的输入还包括上一隐藏层的状态，即隐藏层内的节点可以自连也可以互连。 
+1. 有一条单向流动的信息流是从输入单元到达隐藏单元；
+2. 与此同时，另一条单向流动的信息流从隐藏单元到达输出单元；
+3. 在某些情况下，RNNs会打破后者的限制，引导信息从输出单元返回隐藏单元，这些被称为“Back Projections”；
+4. 在某些情况下，隐藏层的输入还包括上一隐藏层的状态，即隐藏层内的节点可以自连也可以互连。 
 
 
 ## 6.3RNNs能干什么？
@@ -68,8 +65,8 @@ RNNs已经被在实践中证明对NLP是非常成功的。如词向量表达、
 
 **不同点**：
 
-1、如果将RNNs进行网络展开，那么参数W,U,V是共享的，而传统神经网络却不是的。
-2、在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，并且还以来前面若干步网络的状态。
+1. 如果将RNNs进行网络展开，那么参数W,U,V是共享的，而传统神经网络却不是的。
+2. 在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，并且还以来前面若干步网络的状态。
 
 
 ## 6.6常见的RNNs扩展和改进模型