Update 第六章_循环神经网络(RNN).md

MarkDown/第六章_循环神经网络(RNN).md

@@ -42,17 +42,23 @@ RNNs已经被在实践中证明对NLP是非常成功的。如词向量表达、
 
 ## 6.4 RNNs在NLP中典型应用？
 **（1）语言模型与文本生成(Language Modeling and Generating Text)**
+
 给一个单词序列，需要根据前面的单词预测每一个单词的可能性。语言模型能够一个语句正确的可能性，这是机器翻译的一部分，往往可能性越大，语句越正确。另一种应用便是使用生成模型预测下一个单词的概率，从而生成新的文本根据输出概率的采样。
 **（2）机器翻译(Machine Translation)**
+
 机器翻译是将一种源语言语句变成意思相同的另一种源语言语句，如将英语语句变成同样意思的中文语句。与语言模型关键的区别在于，需要将源语言语句序列输入后，才进行输出，即输出第一个单词时，便需要从完整的输入序列中进行获取。
 **（3）语音识别(Speech Recognition)**
+
 语音识别是指给一段声波的声音信号，预测该声波对应的某种指定源语言的语句以及该语句的概率值。 
 **（4）图像描述生成 (Generating Image Descriptions)**
+
 和卷积神经网络(convolutional Neural Networks, CNNs)一样，RNNs已经在对无标图像描述自动生成中得到应用。将CNNs与RNNs结合进行图像描述自动生成。
 ![](../img/ch6/figure_6.4_1.png)
 
 ## 6.5 RNNs训练和传统ANN训练异同点？
+
 **相同点**：同样使用BP误差反向传播算法。
+
 **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。