附上参考链接：
首先，我们需要理解一下RNN的大体概念。
简单来说，RNN(Recurrent Neural Networks循环神经网络)是一种神奇的神经网络。
显然神经网络的作用，直观上可以说是一个输入，经过了网络（可能有多个隐层），形成一个输出。但普通的神经网络隐层的节点之间是没有连接的，而RNN循环神经网络（或者叫做递归神经网络）的主要特点则是隐层节点之间的连接。
举个例子来说，通常当我们讲一句话的时候，当前的字词都是和附近的字词存在一定的联系的。而对于普通的神经网络算法而言，是无法做到这一点的。RNN则使得前后文的联系成为可能。
了解到RNN大概是个什么东西，接着让我们来看看RNN、LSTM、GRU、seq2seq这几个概念之间的区别与联系。（推荐可以简单看一下参考链接里的第一篇文章）
简单总结如下：**
- RNN是循环神经网络。
- LSTM是对RNN的一种优化（为了解决梯度爆炸或者梯度消失的问题）。
- GRU是对LSTM的一种优化（使得神经网络结构更为简单）
- 虽然说是优化，但在不同情况下，不同算法的效果各有优劣。
说白了，不是在所有情况下，优化后的算法就是更有效的。 - 通过RNN我们可以轻易构造出各种循环神经网络算法变种，得到“1 vs N”、“N vs 1”、“N vs N”或者“N vs M”等情况的算法。 其中“N vs M”就是我们所说的seq2seq。
- 具体点说，实际上我们遇到的许多问题，输入与输出的序列都是不等长的，比如机器翻译“我爱中国”是四个字，而英文“I love China”则是三。