主要思想：将整个序列划分成多个时间步，将每个时间步的信息依次输入模型，同时将模型输出的结果传给下一个时间步 公式：
本质：两个线性层加和，再过一个tanh激活函数
import torch.nn as nn
output, h = nn.RNN(input_size, hidden_size, bias=False, batch_first=True)
输出
归一化的目的【来源：文心一言】：
不同样本的第1...n位置值求平均
一般应用于图像任务
同一个样本内的值求平均
一般应用在NLP任务
作用：减少过拟合 原理：按照指定概率，随机丢弃一些神经元(将其设置为0)，其余元素乘以1/(1-p)进行放大
相当于只看到问题的一部分，就要求模型可以预测出正确值，对模型提出了更高的要求，减少过拟合(只要看到了某些样本就固定预测出某个结果)，增加模型的泛化性
