1、定义RNN的网络结构的参数（类似于CNN中定义 in_channel，out_channel，kernel_size等等）
input_size 输入x的特征大小(以mnist图像为例，特征大小为28*28 = 784)
hidden_size 隐藏层h的特征大小
num_layers 循环层的数量（RNN中重复的部分）
nonlinearity **函数 默认为tanh，可以设置为relu
bias 是否设置偏置，默认为True
batch_first 默认为false, 设置为True之后，输入输出为(batch_size, seq_len, input_size)
dropout 默认为0
bidirectional 默认为False，True设置为RNN为双向
【注】下图红色的部分为num_layers的个数（num_layers = 2 ）
2、输入RNN网络与输出的参数
（1）输入：input：(seq_len，batch_size，input_size) #（序列长度，batch_size，特征大小（数量））
h0：（num_layers*directions，batch_size，hidden_size）
（2）输出：hn：（num_layers*directions，batch_size，hidden_size）
output：(seq_len，batch_size，hidden_size*directions)
【注】bidirectional为Ture，则 directions=2，否则 directions=1 。