已经掌握了循环神经网络 (neural network)（RNN）的基本结构，包括 LSTM 和 GRU 在内，并学会了如何实现和训练它们，我们现在将注意力转向它们在实际中的运用。理解这些模型的运行机制非常重要，但它们的价值体现在解决具体的序列建模问题上。

本章介绍将 RNN 应用于各种任务的常用方法。你将了解到：

• 序列预测： 预测序列中未来值的策略，侧重于时间序列分析。我们将考察多对一和多对多预测等模型配置。
• 序列分类： 为整个序列分配类别标签的方法，例如判断句子的情感或对文档主题进行分类。
• 序列生成： 基于学习到的模式创建新序列的方法，常用于文本生成任务。
• 进阶内容： 简要介绍编码器-解码器架构（序列到序列模型）和注意力机制 (attention mechanism)，它们增强了序列模型处理更复杂任务的能力。

我们将讨论每种应用类型特定的模型结构和输出处理方式，为你构建解决各种序列相关问题的模型做好准备。实际案例将结合之前介绍的框架，演示这些方法。