Fix bad math alignment

Author: Atcold

docs/zh/week06/06-3.md

@@ -171,9 +171,9 @@ Yann在图示的网络神经之间添加了一些特殊图形，用来表示从
 
 
 
-## [基于时间的反向传播算法（Back Propagation through time）](https://www.youtube.com/watch?v=8cAffg2jaT0&t=855s) 
+## [基于时间的反向传播算法（Back Propagation through time）](https://www.youtube.com/watch?v=8cAffg2jaT0&t=855s)
 
-### <!--Model architecture--> 
+### <!--Model architecture-->
 
 ### 模型架构
 
@@ -189,6 +189,7 @@ Yann在图示的网络神经之间添加了一些特殊图形，用来表示从
 <!--Hidden representations are stated as-->
 
 隐藏层表达式为：
+
 $$
 \begin{aligned}
 \begin{cases}
@@ -206,6 +207,7 @@ $$
 <!--The first equation indicates a non-linear function applied on a rotation of a stack version of input where the previous configuration of the hidden layer is appended. At the beginning, $h[0]$ is set 0. To simplify the equation, $W_h$ can be written as two separate matrices, $\left[ W_{hx}\ W_{hh}\right]$, thus sometimes the transformation can be stated as-->
 
 $h[t]$是一个非线性函数，将堆叠形式的输入进行旋转操作，其中加入了前一步的隐藏层。$h[0]$初始值设为1。$W_h$可简化为两个不同的矩阵$\left[ W_{hx}\ W_{hh}\right]$，变换后的公式可以写成
+
 $$
 W_{hx}\cdot x[t]+W_{hh}\cdot h[t-1]
 $$
@@ -233,6 +235,7 @@ $y[t]$由最后一步的旋转计算得出，之后我们可以用链式法则
 <!--If BPTT period $T$ is set to 3, the first input $x[1:T]$ and output $y[1:T]$ for RNN is determined as-->
 
 如果将BPTT的周期$T$设为3， 那么第一组RNN的输入$x[1:T]$和输出$y[1:T]$为：
+
 $$
 \begin{aligned}
 x[1:T] &= \begin{bmatrix}
@@ -261,7 +264,7 @@ $$
 
 ## 梯度消失与梯度爆炸（Vanishing and Exploding Gradient）
 
-### <!--Problem--> 
+### <!--Problem-->
 
 ### 问题
 
@@ -278,7 +281,7 @@ $$
 
 在经典RNN中，梯度会通过所有可能的箭头来传播。这有很大的几率会使梯度爆炸或者消失。例如，梯度在时刻1的时候非常大（图中白色圆点）。当进行一个旋转后，梯度在时刻3收缩，即消失。
 
-### <!--Solution--> 
+### <!--Solution-->
 
 ### 解决办法