1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
        2、課程完成后,授課老師留給學員手機和Email,保障培訓效果,免費提供半年的技術支持。
        3、培訓合格學員可享受免費推薦就業機會。

循環神經網絡是代表性的深度學習模型基礎之一，本節課我們會介紹這個方向中重要的網絡結構，RNN、LSTM、GRU和 NTM，并給出 PaddlePaddle 如何實現這些網絡的示例。幫助大家掌握循環神經網絡原理和技術。
適用人群
互聯網、多媒體、智能化等it行業
課程簡介
序列數據是很多的場景中都會碰到的形式，這是一類極具代表性的數據，針對這一類數據背后的問題，我們有很多的方法來解決。本節課對序列數據的場景進行分析并給出相關介紹。循環網絡是適合處理序列數據的一種神經網絡模型，其本身的特點與序列數據能夠完美匹配。當然這類網絡的訓練也是有著相對困難的地方。本節課將會介紹循環神經網絡的基本概念和結構。LSTM 網絡是針對循環網絡的弱點提出來的一種相對復雜的循環網絡結構，它也是很多網絡結構設計的基礎。由于其具備了一點的記憶能力，使得在處理序列問題中更加能夠克服長距離預測問題。本節課我們會介紹 LSTM 這個循環神經網絡。經過多年發展，大家發現通過簡化 LSTM 模型也能夠得到能力相當的模型。其中具有代表性的工作就是 GRU，通過適當改變門限的設計而成的網絡。我們會簡單介紹 GRU 網絡。LSTM 網絡是增加一定的記憶能力，但這點記憶還不足夠。NTM 是一種引入外部記憶的網絡結構。我們給出神經圖靈機的整體架構。最后給出 PaddlePaddle 實現 LSTM 和 GRU 模型。
1課程導引
2序列場景分析
3初識循環神經網絡
4突破障礙的LSTM
5新式的簡化變體GRU網絡
6神經圖靈機整體結構
7神經圖靈機-尋址
8神經圖靈機-控制器
9paddlepaddle實現LSTM和GRU
PaddlePaddle 實現 LSTM 和 GRU 模型