常规神经网络：
常规的神经网络是各算各的，每个x之间都是独立的
递归神经网络：
递归神经网络要干的一件事就是，在隐藏层中，x1利用了x0的w，x2利用了x1的w，x3利用x2的w。。。。。以此类推
例如下面这个例子：
x0表示“我出生”
x1表示“在”
x2表示“中国”
xt表示“我说”
xt+1就会预测出“汉语”
RNN网络细节：
U和W都是参数矩阵，V是全连接矩阵。
RNN与CNN网络不通之处在于，CNN每个输入和输出都是独立的，RNN每个输入都要依赖上一个输入的输出。
所以RNN网路下一步需要前一步的有用的参数，RNN做自然语言处理很合适，
因为人类的语言上下文结合很重要。
RNN网络反向传播：
由于RNN网络的链接特性，每个输入参数的权重值更新都会更新上一个输入的参数，CNN是只会更新自身输入的参数。
RNN网络的局限性
1，网络过于庞大
例如：
I am Chinese，.........I love China
如果省略号中间隔了500个词，那么最初的am这个词对于最后的China起的作用就不是很大了，
但是RNN会把最前面的am也作用于最后的China
2，有可能发生梯度消失：
如果网络庞大，在参数更新时，链式法则梯度往前传的过程中，如果梯度很小的话，那么前面的梯度累乘后梯度就会越来越小，趋近于0