Neural network 如何组织递归神经网络？

我想对以下内容进行建模：

y（t）=F（x（t-1），x（t-2），…x（t-k））

或者让我们假设一个函数，其当前输出取决于最后k个输入

1-我知道一种方法是为每个y（t）建立一个经典的神经网络，k个输入为{x（t-1），x（t-2），…x（t-k）}，并对其进行训练。那么使用RNN解决这个问题有什么好处呢

2-假设使用RNN，我是否应该只使用x（t）（或x（t-1）），并假设隐藏层可以通过在其内存（隐藏层）中具有来找到y（t）与过去k个输入的关系

3-考虑到我们希望根据最后k个输入估算输出，使用深度网络（如深度RNN或LSTM）对此类问题有任何优越的好处

我不会建议你使用经典的香草RNN。从理论上讲，它能够将以前输入的信息存储在内存中，但实际上它需要大量的节点

假设经典的普通实现与现代体系结构（如LSTM或GRU）一样长，这取决于您想使用单向还是双向模型。如果您想预测下一步，通常单向体系结构更好。如果您想更好地分析给定的序列，我建议您应用双向序列

LSTM和GRUs使用额外的内存单元，这有助于保持内存中输入之间的长时间依赖性。它们被认为是目前最好的体系结构。深度RNN-通常是具有递归拓扑的深度网络-它们以与前馈神经网络相同的方式利用其深度

---

谢谢你的建议。1-我认为bi RNN不适合我的问题，因为我想根据之前的决策（从另一个角度）预测下一个最佳决策的概率。2-假设使用LSTM，我仍然不确定是使用x（t）的所有k个以前的实例作为网络的单独输入，还是只使用最后一个x（t-1）作为唯一的输入就足够了，并且网络是否可以跟踪最后一个k（t）在其架构中？Simpy将其用作元参数，并尝试网格搜索以找到最佳设置：）如果我的答案有用，请将其视为正确答案或投票支持我的答案：）