第一周 循环序列模型（Recurrent Neural Networks）
1.1 为什么选择序列模型？（Why Sequence Models?）
即表示可以用序列模型可以做什么。
1.2 数学符号（Notation）
定义一些数学符号用来表示表示序列模型。
1.3 循环神经网络模型（Recurrent Neural Network Model）
循环神经网络用的激活函数经常是tanh，不过有时候也会用ReLU，但是tanh是更通常的选择，我们有其他方法来避免梯度消失问题，我们将在之后进行讲述。选用哪个激活函数是取决于你的输出，如果它是一个二分问题，那么我猜你会用sigmoid函数作为激活函数，如果是类别分类问题的话，那么可以选用softmax作为激活函数。不过这里激活函数的类型取决于你有什么样类型的输出，对于命名实体识别来说只可能是0或者1，那我猜这里第二个激活函数可以是sigmoid激活函数。
1.4 通过时间的反向传播（Backpropagation through time）
1.5 不同类型的循环神经网络（Different types of RNNs）
1.6 语言模型和序列生成（Language model and sequence generation）
1.7 对新序列采样（Sampling novel sequences）
在你训练一个序列模型之后，要想了解到这个模型学到了什么，一种非正式的方法就是进行一次新序列采样，来看看到底应该怎么做。
记住一个序列模型模拟了任意特定单词序列的概率，我们要做的就是对这些概率分布进行采样来生成一个新的单词序列。
1.8 循环神经网络的梯度消失（Vanishing gradients with RNNs）
尽管我们一直在讨论梯度消失问题，但是，你应该记得我们在讲很深的神经网络时，我们也提到了梯度爆炸，我们在反向传播的时候，随着层数的增多，梯度不仅可能指数型的下降，也可能指数型的上升。事实上梯度消失在训练RNN时是首要的问题，尽管梯度爆炸也是会出现，但是梯度爆炸很明显，因为指数级大的梯度会让你的参数变得极其大，以至于你的网络参数崩溃。所以梯度爆炸很容易发现，因为参数会大到崩溃，你会看到很多NaN，或者不是数字的情况，这意味着你的网络计算出现了数值溢出。如果你发现了梯度爆炸的问题，一个解决方法就是用梯度修剪。梯度修剪的意思就是观察你的梯度向量，如果它大于某个阈值，缩放梯度向量，保证它不会太大，这就是通过一些最大值来修剪的方法。
1.9 GRU单元（Gated Recurrent Unit（GRU））
1.10 长短期记忆（LSTM（long short term memory）unit）
1.11 双向循环神经网络（Bidirectional RNN）
1.12 深层循环神经网络（Deep RNNs）
一、学习安排（11月28日-11月30日）
1.主要学习视频：
二、作业上传事项
1.作业内容：
主要是总结所学习的视频和讲义内容
(提交形式，是以“汇报”形式汇报给助教（李凯旋），对于作业敷衍的直接视为下车)
2.作业提交日期
作业规定在11月30日24点之前，大家把握好时间，且12月1日晚上，助教会公布没有交作业者并令其下车；
@所有人</pre>
