根據輸出和輸入序列不同數量rnn可以有多種不同的結構：
one to one 結構，僅僅只是簡單的給一個輸入得到一個輸出，此處並未體現序列的特徵，例如圖像分類場景。
one to many 結構，給一個輸入得到一系列輸出，這種結構可用於生產圖片描述的場景。
many to one 結構，給一系列輸入得到一個輸出，這種結構可用於文本情感分析，對一系列的文本輸入進行分類，看是消極還是積極情感。
many to many 結構，給一些列輸入得到一系列輸出，這種結構可用於翻譯或聊天對話場景，對輸入的文本轉換成另外一些列文本。
同步 many to many 結構，它是經典的rnn結構，前一輸入的狀態會帶到下一個狀態中，而且每個輸入都會對應一個輸出，我們最熟悉的就是用於字符預測了，同樣也可以用於視頻分類，對視頻的幀打標籤。
在 many to many 的兩種模型中，可以看到第四和第五種是有差異的，經典的rnn結構的輸入和輸出序列必須要是等長，它的應用場景也比較有限。
而第四種它可以是輸入和輸出序列不等長，這種模型便是seq2seq模型，即Sequence to Sequence。
它實現了從一個序列到另外一個序列的轉換，比如google曾用seq2seq模型加attention模型來實現了翻譯功能，類似的還可以實現聊天機器人對話模型。
seq2seq屬於encoder-decoder結構的一種，這裏看看常見的encoder-decoder結構，基本思想就是利用兩個RNN，一個RNN作爲encoder，另一個RNN作爲decoder。
encoder負責將輸入序列壓縮成指定長度的向量，這個向量就可以看成是這個序列的語義，這個過程稱爲編碼。
而decoder則負責根據語義向量生成指定的序列，這個過程也稱爲解碼。
https://blog.csdn.net/wangyangzhizhou/article/details/77883152
Attention模型的結果就是在每次識別時，首先計算每個特徵的權值，然後對特徵進行加權求和，權值越大，該特徵對當前識別的貢獻就大。
https://blog.csdn.net/jteng/article/details/52864401