双向RNN如下图所示，它的思想是t时刻的输出不但依赖于之前的元素，而且还依赖之后的元素。比如，我们做完形填空，在句子中“挖”掉一个词，我们想预测这个词，我们不但会看前面的词，也会分析后面的词。双向RNN很简单，它就是两个RNN堆叠在一起，输出依赖两个RNN的隐状态。
深度双向RNN如下图所示，它和双向RNN类似，不过多加几层。当然它的表示能力更强，需要的训练数据也更多。
双向RNN如下图所示，它的思想是t时刻的输出不但依赖于之前的元素，而且还依赖之后的元素。比如，我们做完形填空，在句子中“挖”掉一个词，我们想预测这个词，我们不但会看前面的词，也会分析后面的词。双向RNN很简单，它就是两个RNN堆叠在一起，输出依赖两个RNN的隐状态。
深度双向RNN如下图所示，它和双向RNN类似，不过多加几层。当然它的表示能力更强，需要的训练数据也更多。