x.1 Sequence model
经过前面的学习，我们已知数据大于算法。而以数据为驱动的前提下，我们提出了各种模型。为了适配表格数据，提出了MLP；为了适配图像数据提出了CNN；而对了适配序列数据，我们提出了RNN。
目前为止的数据的样本都符合iid独立同分布特点，但是对于音频，文本中的单词等，都是有顺序的，即他们是序列信息，并不符合独立同分布的特点。故本章节将考虑到时间动力学，根据文本信息处理文本数据。
autoregressive model自回归模型：使用长度为tau的序列 {xt-1, …, xt-tau} 来预测xt时刻的结果。
latent autoregressive model隐变量自回归模型：在使用长度为tau的序列 {xt-1, …, xt-tau} 来预测xt时刻的结果的同时，还加入了对过去预测结果的总结。
Markov model马尔科夫模型：当我们使用的是长度为tau的序列进行预测，而不是一整个过去所有的序列进行预测，我们就说序列满足马尔科夫条件，当tau为1时就得到一阶马尔可夫模型，下式就是一阶的：
k-step-ahead-prediction k步预测：对于直到xt的观测序列{x1, … , xt}，其在时间步t+k处的预测输出xt+k称为k步预测。即要用预测的数据进行多步预测，在误差累计后，precision精度会迅速下降。
x.2 将raw text文本信息转换为sequence data序列信息
这一步最重要的就是将text文本数据转为token。
corpus语料库即text，存在很多重复的token，将text转成sequence data的本质就是将text转成token，再将token根据vocabulary映射成number。这之中的token的定义是：每一个时间步预测的timestep，是text中的原子组成部分，独一无二，最小单元。
