就簡單寫一寫

（1）并行性。RNN可并行性差，tf可并行性好。目前很多對于RNN的改進(jìn)都是要考慮并行性的

（2）計算復(fù)雜度。RNN的計算復(fù)雜度低，tf的計算復(fù)雜度高，所以tf要做大其實(shí)面臨著麻煩

（3）輸入序列長度。RNN理論上是可以無限序列長度的，這也是tf無法實(shí)現(xiàn)的，tf每層再大也終歸事有限的

（4）順序關(guān)系處理。RNN善于處理順序關(guān)系，而tf往往需要額外的位置編碼（tf丟失了序列）

（5）長期依賴。RNN面臨著嚴(yán)峻的長期依賴問題，即使是LSTM也存在問題，而tf處理長期依賴很擅長

（6）適用范圍不同。RNN很難處理視覺的一些問題但是tf可以，RNN適合語音等tf也不一定適合

（7）梯度問題。RNN會面臨梯度消失、梯度爆炸等問題，但是tf處理這些問題更簡單，往往模型能做很深很大

（8）魯棒性、泛化性。據(jù)說tf更好

RNN在處理順序性強(qiáng)、較短的序列任務(wù)上表現(xiàn)較好，而Transformer在處理長序列和大規(guī)模數(shù)據(jù)時更具優(yōu)勢