6.4.1 RNN 路线图：按顺序处理序列

RNN 面向有顺序的数据：文本、时间序列、点击流、传感器读数，以及任何前面步骤会影响后面步骤的输入。

先看序列流

概念	第一层意思
sequence length	时间步数量
input size	每一步的特征数
hidden state	滚动记忆
LSTM / GRU	门控记忆控制
batch first	[batch, seq_len, features] 这种形状风格

跑一次 GRU 形状检查

创建 rnn_first_loop.py，安装 torch 后运行。

import torch

sequence = torch.randn(2, 3, 5)
gru = torch.nn.GRU(input_size=5, hidden_size=4, batch_first=True)
outputs, hidden = gru(sequence)

print("sequence_shape:", tuple(sequence.shape))
print("outputs_shape:", tuple(outputs.shape))
print("hidden_shape:", tuple(hidden.shape))

预期输出：

sequence_shape: (2, 3, 5)
outputs_shape: (2, 3, 4)
hidden_shape: (1, 2, 4)

读作：2 条序列，每条 3 步，每步 5 个特征。GRU 输出隐藏表示大小为 4。

按这个顺序学

顺序	阅读	练什么
1	6.4.2 RNN 基础	序列输入、隐藏状态、形状
2	6.4.3 LSTM 与 GRU	门控、长依赖、记忆控制
3	6.4.4 序列建模实战	滑动窗口、训练/评估循环

留下的证据

保留一条序列 shape 笔记：

输入

[batch, seq_len, features]

输出

每一步一个隐藏表示

隐藏状态

压缩的滚动记忆

门控原因

LSTM/GRU 有助于保留或丢弃信息

基线

将序列模型与一个简单的朴素规则比较

通过标准

能读懂 [batch, seq_len, features]，把 hidden state 解释成滚动记忆，并知道 LSTM/GRU 是为长依赖而引入，就算通过。

检查思路与讲解

1. 合格答案要把 tensor、模型层、loss、backward() 和 optimizer 更新连成一个训练闭环。
2. 证据应包含可运行的小实验、tensor shape 检查，以及能解释的 loss 或验证曲线。
3. 自检时要能指出一个失败模式，例如 shape 不匹配、loss 不下降、过拟合、数据泄漏，或只会说 Attention/Transformer 名词却讲不出数据流。