one to many: 输入一张图片，输出描述图片中的内容，其中输出的内容前后是有依赖的，相关的，比如上面一张图就是‘一个人在跑步’，‘一个’和‘人’是相关的，如果‘一个’变了，那么‘人’可能也会变。
many to one: 情感分类，输入是一个句子，输出是评分，输入的前后是依赖相关的。
many to many: 翻译系统，将德语翻译成英语，输入和输出都是相关的。
many to many: 语音识别，传入一段语音，输出是转换成的文字。
RNN的模型结构
RNN block
我们的模型将会采用两个值，t时间处，X的输入值和前一个单元格 t-1 时间处的输出值A。左边是传统的神经网络模型，它在左边基础上是如何变成右边的？我们用第一个单元的运算来举例。
方程①：就像我们使用简单ANN所做的那样，它也存在权重Wax,Waa和偏差Ba。它只是增加一个输入值A0(前一个单元的输出值)。
单元有两个不同的输出: A1的输出（由公式②得到）将转到下一个单元，公式③的最终输出Y1。
所有权重的下标意思是，第一个下标是计算某类型的量，第二个下标是你要乘以的类型。比如Wax，它乘以的是X1，要计算的是A1，所以它的下标是ax。
现在，让我们进入下一个单元。整个过程如下图所示。
简化符号表示
但是为了简化符号，后面图中的公式都是简化的符号, 令:
于是:
我们将
变成
符号变了，但是意思是没有变的，只是为了方便简写，所以后面都是用简化后的公式。
Stacked RNN
如果把RNN堆在一起，输出的y又可以作为x输入到另一个神经网络中，那么它的结构就是这样的。