在我们试图解决的时间序列问题上RNNs，输入通常具有形状$input features \times timesteps \times batchsize$然后我们将这个输入输入到循环层中。另一种方法是展平数据，以便形状为$(input features \times timesteps) \times batchsize$并为我们的时间序列任务使用全连接层。这显然是可行的，我们dense network也能够在不同的时间步长找到数据之间的依赖关系。那么是什么让循环层更强大呢？我将非常感谢直观的解释。