可以使用 RNN 将多个输入映射到单个输入（标签），如下图（来源）所示：

每个矩形都是一个向量，箭头代表函数（例如矩阵乘法）。输入向量为红色，输出向量为蓝色，绿色向量保持 RNN 的状态（稍后会详细介绍）。从左到右：（1）没有RNN的Vanilla模式处理，从固定大小的输入到固定大小的输出（例如图像分类）。(2) 序列输出（例如图像字幕获取图像并输出一个单词的句子）。(3) 序列输入（例如，给定句子被分类为表达积极或消极情绪的情绪分析）。(4) 序列输入和序列输出（例如机器翻译：RNN 读取英文句子，然后输出法文句子）。(5) 同步序列输入和输出（例如，我们希望标记视频的每一帧的视频分类）。

在简单 RNN 的情况下，将整个序列提供给您的网络，然后在最后一个序列元素处输出类标签（请参阅本文并参考该方法的早期示例）。在训练阶段，我们可以从最后一个序列元素到序列开始的时间反向传播误差。一般来说，这与 RNN 序列标记问题没有什么不同，我们只需要为序列的某些元素分配标签（或所有其他元素都被标记为 OTHER）。