IndRNN（Independently Recurrent Neural Network）是一种递归神经网络（RNN）的变体，其特点是具有独立的循环权重。
传统的RNN中，循环神经元的权重矩阵是共享的，也就是说，在时间序列的不同时间步上，循环单元的权重是相同的。而在IndRNN中，每个时间步的循环单元都有独立的权重，因此它们之间没有共享。
这个独立权重的设计使得IndRNN可以处理更长时间序列，因为它不受梯度消失或梯度爆炸的影响。同时，IndRNN的训练也更为稳定。
IndRNN的公式如下：
[h_t = \sigma(W_{hh} \odot h_{t-1} + b_h)]
其中：
- (h_t) 是当前时间步的隐藏状态。
- (\sigma) 是逐元素的激活函数（如ReLU等）。
- (W_{hh}) 是当前时间步的循环权重矩阵。
- (h_{t-1}) 是前一个时间步的隐藏状态。
- (\odot) 表示逐元素的乘法操作。
- (b_h) 是偏置项。
IndRNN的优势包括了：
- 对于较长序列的处理能力更强。
- 避免了传统RNN中的梯度消失或梯度爆炸问题。
- 训练相对稳定。
这使得IndRNN在处理长序列的任务中具有一定的优势，比如语言建模、时间序列预测等。
请注意，IndRNN是一种特殊的神经网络结构，具体的应用需要根据任务和数据的特性来选择合适的模型，并且在实践中可能需要进行一些调参和优化。