以下是我对 RNN 中参数共享点的理解：
在常规的前馈神经网络中，每个输入单元都被分配了一个单独的参数，这意味着输入单元（特征）的数量对应于要学习的参数数量。在处理例如图像数据时，输入单元的数量在所有训练示例中都是相同的（通常是恒定像素大小 * 像素大小 * rgb 帧）。
然而，像句子这样的顺序输入数据的长度可能会有很大差异，这意味着参数的数量不会相同，具体取决于处理哪个例句。这就是为什么参数共享对于有效处理序列数据是必要的：它确保模型始终具有相同的输入大小，而不管序列长度如何，因为它是根据从一种状态到另一种状态的转换来指定的。因此，可以在每个时间步使用具有相同权重（输入到隐藏权重、隐藏到输出权重、隐藏到隐藏权重）的相同转移函数。最大的优点是它允许泛化到没有出现在训练集中的序列长度。
我的问题是：