据我所知，它的多个前馈神经网络在每一层都有一个神经元彼此相邻，并从左到右连接，其中每个神经元不仅与它下面的神经元连接，而且与它下面的神经元连接。上次的左边。

并不真地。图像中的每个青色框都代表完全相同的单元格。现在这个单元可以是很多东西，只要看看 LSTM 单元（h 和 c 代表你的 A），但它也可以是一个以和作为输入并返回和作为输出。$A_i$$X_{i+1}$$A_{i+1}$$Y_{i+1}$

1. 如果 RNN 试图预测例如时间序列，这可能是正确的。要训​​练这样一个网络，您将提供该系列作为训练输入和相同的时间序列，但在下一步中作为输出（因此它将尝试基于。但总的来说，这不是真的。输出可能是完全不同的格式，并且代表完全不同的东西，就像在你的例子中一样。在您的示例中，您的是编码的第 i 帧，而是网络认为马行进的距离直到第 i 帧。$X_{i+1}$$\forall_{j \in [1;i)} X_{j}$$X_i$$Y_i$
2. $A_0$是 RNN 的起始状态。它究竟是什么取决于所使用的确切架构，但通常将其全部设置为零。我们需要这个起始状态，因为正如我提到的，在每个循环步骤中使用相同的单元格，因此必须在开始时提供一些东西作为网络状态。没有丢失。此外，没有什么可以阻止您根据长度为 1 的序列进行预测。只是在这种情况下使用 RNN 没有用。$X_0$
3. 采取的时间步数取决于数据 - 而不是网络。您可以在长度为 512、2 和 200 万的序列上使用相同的网络。这就是为什么它们通常用于解决语音识别等长度不同的问题。LSTM 与普通神经网络一样具有权重。您可以将这 512 个隐藏节点视为单元中隐藏层的大小。使用两层 LSTM 意味着使用两个具有 512 个节点的 LSTM，并使用第一个的输出作为第二个的输入。第二个 LSTM 的输出是 2 层 LSTM 的输出。