本文以最简单的RNNs模型为例：Elman循环神经网络，讲述循环神经网络的工作原理，即便是你没有太多循环神经网络（RNNs）的基础知识，也可以很容易的理解。为了让你更好的理解RNNs，我们使用Pytorch张量包和autograd库从头开始构建Elman循环神经网络。该文中完整代码在Github上是可实现的。
在这里，假设你对前馈神经网络略有了解。Pytorch和autograd库更为详细的内容请查看我的其他教程。
Elman循环神经网络
Jeff Elman首次提出了Elman循环神经网络，并发表在论文《Finding structure in time》中：它只是一个三层前馈神经网络，输入层由一个输入神经元x1和一组上下文神经元单元{c1 ... cn}组成。隐藏层前一时间步的神经元作为上下文神经元的输入，在隐藏层中每个神经元都有一个上下文神经元。由于前一时间步的状态作为输入的一部分，因此我们可以说，Elman循环神经网络拥有一定的内存——上下文神经元代表一个内存。
预测正弦波
现在，我们来训练RNNs学习正弦函数。在训练过程中，一次只为模型提供一个数据，这就是为什么我们只需要一个输入神经元x1，并且我们希望在下一时间步预测该值。输入序列x由20个数据组成，并且目标序列与输入序列相同。
模型实现
首先导入包。
接下来，设置模型的超参数。设置输入层的大小为7（6个上下文神经元和1个输入神经元），seq_length用来定义输入和目标序列的长度。
生成训练数据：x是输入序列，y是目标序列。
创建两个权重矩阵。大小为（input_size，hidden_size）的矩阵w1用于隐藏连接的输入，大小为（hidden_size，output_size）的矩阵w2用于隐藏连接的输出。 用零均值的正态分布对权重矩阵进行初始化。
定义forward方法，其参数为input向量、context_state向量和两个权重矩阵，连接input和context_state创建xh向量。对xh向量和权重矩阵w1执行点积运算，然后用tanh函数作为非线性函数，在RNNs中tanh比sigmoid效果要好。 然后对新的context_state和权重矩阵w2再次执行点积运算。 我们想要预测连续值，因此这个阶段不使用任何非线性。
请注意，context_state向量将在下一时间步填充上下文神经元。 这就是为什么我们要返回context_state向量和out。
训练
训练循环的结构如下：
1.外循环遍历每个epoch。epoch被定义为所有的训练数据全部通过训练网络一次。在每个epoch开始时，将context_state向量初始化为0。
2.内部循环遍历序列中的每个元素。执行forward方法进行正向传递，该方法返回pred和context_state，将用于下一个时间步。然后计算均方误差（MSE）用于预测连续值。执行backward()方法计算梯度，然后更新权重w1和w2。每次迭代中调用zero_()方法清除梯度，否则梯度将会累计起来。最后将context_state向量包装放到新变量中，以将其与历史值分离开来。
训练期间产生的输出显示了每个epoch的损失是如何减少的，这是一个好的衡量方式。损失的逐渐减少则意味着我们的模型正在学习。
预测
一旦模型训练完毕，我们就可以进行预测。在序列的每一步我们只为模型提供一个数据，并要求模型在下一个步预测一个值。
预测结果如下图所示：黄色圆点表示预测值，蓝色圆点表示实际值，二者基本吻合，因此模型的预测效果非常好。
结论
在这里，我们使用了Pytorch从零开始构建一个基本的RNNs模型，并且学习了如何将RNNs应用于简单的序列预测问题。
以上为译文。
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《Introduction to Recurrent Neural Networks in Pytorch》，译者：Mags，审校：袁虎。
文章为简译，更为详细的内容，请查看原文。
