1樓：
初衷：We need a neural architecture that can process any length input.(From CS224N)
從多層網路出發到迴圈網路，我們需要利用20世紀80年代機器學習和統計模型早期思想的優點：在模型的不同部分共享引數。引數共享使得模型能夠擴充套件到不同形式的樣本(這裡指不同長度的樣本)並進行泛化。
如果我們在每個時間點上都有乙個單獨的引數，不但不能泛化到訓練時沒有見過的序列長度，也不能在時間上共享不同序列長度和不同位置的統計強度。（From Goodfellow：序列建模）
這樣的好處還有：像CNN網路一樣可以減少參數量。
2樓：Pelhans
如果在每個時間點都有乙個單獨的引數，不但不能泛化到訓練時沒有見過的序列長度，也不能在時間上共享不同序列長度和不同位置的統計強度。當資訊的特定部分會在序列內多個位置出現時，共享引數就顯得特別重要。--摘自GoodFellow 的深度學習
3樓：迷途小書童
從優化角度：可以節省memory的使用，特別是用GPU的時候。比如說RNN在NLP中的使用，一般引數 的size是大概 .
那如果引數不相同，有100個位置的話，就會有100萬個引數。GPU是受不鳥的。
從模型角度看的話，如果每個位置的 不一樣的話，該定多少個 呢？比如句子最長100，你定100個 但是有乙個句子長度101的時候怎麼辦？
從上面那個實際運用的角度來看，用不一樣的 都不太合理。
4樓：劉洪斌
為了實現可變長度必須共享啊，如果每步乙個權重，不同長度的輸入權重的個數也不一樣，那沒法實現。 這是RNN跟FNN的根本區別。
5樓：silver bullet
乙個是和cnn一樣減少引數數量。因為乙個時間步的引數本身就不少，所以引數共享。
另外功能一樣，都是捕捉前乙個狀態並傳到下乙個時刻。
個人一點理解
為什麼每個面大小形狀都相同的規多面體只有五種？
所有正多面體的相關於頂點數 V 稜數 E 和面數 F 的性質都可以由每個面上的邊 稜 的數目 p 和每個頂點出發的稜的數目 q 給出。由於每條稜有兩個頂點又在兩個面上，我們有 另乙個關係是尤拉公式 這個不顯然的事實可以通過多種途徑證明。在幾何拓撲中，這是因為球面的尤拉示性數是 2。上面三個等式可以解...
為什麼說氣體流過翼形上下表面時間相同，從而判斷說是由此產生了公升力？為什麼上表面流速快於下表面？
卯錨 非常棒的問題，贊乙個 題主能夠有這樣的問題，其實已經意識到一件事，就是題主已經不相信憑藉日常生活經驗，加上對陌生領域並不全面的觀察，再加上似是而非的 科普式 理解，就能夠使題主滿意自然界的事物執行規律了。你需要更加深度的物理知識，以及相關數學模型的物理解釋。新世界的大門向你開啟 公升力是由機翼...
相同時間內，為什麼跑步比爬坡累，消耗的熱量卻沒爬坡多？
跑步小哥 所以跑步小哥認為要鍛鍊心肺功能要多做一些跑步類的有氧訓練，在有氧運動的同時交叉做一些腿部肌肉的力量訓練也是很有必要的，能夠較大的增強體能，打好健身基礎。作為乙個勇於去運動的人都應該多去嘗試不同的運動方式，讓運動從運動中能找到更多的樂趣。跑步小哥認為運動方式沒有最好的，通過不斷的去嘗試可以找...