Recurrent Neural Networks (RNNs) in Torch

本文旨在从零开始，深入剖析并实践由 Nicolas Leonard 在 Torch 框架下开发的 rnn 库。不同于作者提供的较为抽象的演示脚本，本文选择以每个核心类为独立单元，通过构建极简且直观的代码示例进行逐步演练。这种拆解式的讲解方式旨在降低理解门槛，让读者能够更清晰地把握底层逻辑与数据流动过程，从而比直接阅读官方 Demo 更加易于消化和掌握。

Recurrent.lua

循环神经网络（Recurrent Neural Network, RNN）的核心优势在于其处理序列数据及具备“记忆”能力，使其特别适用于时间序列预测、自然语言处理等任务。为了直观理解其工作机制，我们构建一个简化的线性动态系统模型。

假设系统的输入 x_t 为 0 或 1 的二值信号，输出 y_t 同样是一个标量。该系统的动态特性定义为：当前时刻的输出主要受当前输入影响（权重为 0.8），同时受到前一时刻隐状态的影响（权重为 0.2）。系统的隐变量 h_t 也是一个标量，它记