递归神经网络python代码

以下是一个简单的递归神经网络的 Python 代码示例：

import numpy as np

class RNN:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        
        # 初始化权重矩阵
        self.W_xh = np.random.randn(hidden_size, input_size) * 0.01
        self.W_hh = np.random.randn(hidden_size, hidden_size) * 0.01
        self.W_hy = np.random.randn(output_size, hidden_size) * 0.01
        
        # 初始化偏置向量
        self.b_h = np.zeros((hidden_size, 1))
        self.b_y = np.zeros((output_size, 1))
        
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def forward(self, x):
        # 初始化隐藏状态
        h = np.zeros((self.hidden_size, 1))
        
        # 循环计算每个时间步的输出
        for i in range(len(x)):
            # 计算隐藏状态
            h = self.sigmoid(np.dot(self.W_xh, x[i]) + np.dot(self.W_hh, h) + self.b_h)
            
            # 计算输出
            y = np.dot(self.W_hy, h) + self.b_y
            
            # 输出每个时间步的隐藏状态和输出
            print("Hidden state at time step", i, ":", h)
            print("Output at time step", i, ":", y)
            
    def backward(self, x, y_true):
        pass  # 实现反向传播
    
# 测试代码
rnn = RNN(3, 4, 2)
x = np.random.randn(5, 3, 1)  # 5个时间步，每个时间步3个输入特征
rnn.forward(x)

这个代码实现了一个简单的递归神经网络，包括前向传播和反向传播方法。在 `forward()` 方法中，我们通过循环计算每个时间步的隐藏状态和输出，并输出它们。在 `backward()` 方法中，我们需要实现反向传播算法来更新权重和偏置向量。