简述循环神经网络的基本原理

循环神经网络（Recurrent Neural Network，RNN）是一种特殊的神经网络，其主要用途是处理序列数据，例如自然语言、音频信号、股票走势等。相比于传统的前馈神经网络，RNN 在处理序列数据时可以记忆之前的信息，以便更好地理解当前的输入。

RNN 的基本原理是在网络中引入一个循环结构，使得网络可以接受前一时刻的输出作为当前时刻的输入，并将前一时刻的状态信息传递到下一时刻。这种循环结构使得网络可以保留之前的信息，并且可以在当前输入的基础上做出更准确的预测或分类。

具体地，RNN 的每个时间步都包含一个输入向量、一个隐藏状态向量和一个输出向量。隐藏状态向量是网络的记忆部分，它保存了之前的信息，并且在下一个时间步被更新。输出向量是当前时间步的预测或分类结果，它基于当前的输入和隐藏状态计算得出。

RNN 的训练使用反向传播算法，并且在计算梯度时采用了时间展开的技巧，将整个网络展开成一个前馈神经网络，以便于求解。