1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
        2、培训结束后,授课老师留给学员联系方式,保障培训效果,免费提供课后技术支持。
        3、培训合格学员可享受免费推荐就业机会。

循环神经网络是代表性的深度学习模型基础之一，本节课我们会介绍这个方向中重要的网络结构，RNN、LSTM、GRU和 NTM，并给出 PaddlePaddle 如何实现这些网络的示例。帮助大家掌握循环神经网络原理和技术。
适用人群
互联网、多媒体、智能化等it行业
课程简介
序列数据是很多的场景中都会碰到的形式，这是一类极具代表性的数据，针对这一类数据背后的问题，我们有很多的方法来解决。本节课对序列数据的场景进行分析并给出相关介绍。循环网络是适合处理序列数据的一种神经网络模型，其本身的特点与序列数据能够完美匹配。当然这类网络的训练也是有着相对困难的地方。本节课将会介绍循环神经网络的基本概念和结构。LSTM 网络是针对循环网络的弱点提出来的一种相对复杂的循环网络结构，它也是很多网络结构设计的基础。由于其具备了一点的记忆能力，使得在处理序列问题中更加能够克服长距离预测问题。本节课我们会介绍 LSTM 这个循环神经网络。经过多年发展，大家发现通过简化 LSTM 模型也能够得到能力相当的模型。其中具有代表性的工作就是 GRU，通过适当改变门限的设计而成的网络。我们会简单介绍 GRU 网络。LSTM 网络是增加一定的记忆能力，但这点记忆还不足够。NTM 是一种引入外部记忆的网络结构。我们给出神经图灵机的整体架构。最后给出 PaddlePaddle 实现 LSTM 和 GRU 模型。
1课程导引
2序列场景分析
3初识循环神经网络
4突破障碍的LSTM
5新式的简化变体GRU网络
6神经图灵机整体结构
7神经图灵机-寻址
8神经图灵机-控制器
9paddlepaddle实现LSTM和GRU
PaddlePaddle 实现 LSTM 和 GRU 模型