文章目录
前言
本文将从什么是CNN？什么是RNN？什么是LSTM？什么是Transformer？四个问题，简单介绍神经网络结构。
神经网络结构
一、什么是CNN
**卷积神经网络（CNN）：**通过卷积和池化操作有效地处理高维图像数据，降低计算复杂度，并提取关键特征进行识别和分类。
网络结构
- **卷积层：**用来提取图像的局部特征。
- **池化层：**用来大幅降低参数量级，实现数据降维。
- **全连接层：**用来输出想要的结果。
卷积神经网络（CNN）
解决问题
- **提取特征：**卷积操作提取图像特征，如边缘、纹理等，保留图像特征。
- **数据降维：**池化操作大幅降低参数量级，实现数据降维，大大减少运算量，避免过拟合。
工作原理
- **卷积层：**通过卷积核的过滤提取出图片中局部的特征，类似初级视觉皮层进行初步特征提取。
使用一个过滤器（卷积核）来过滤图像的各个小区域，从而得到这些小区域的特征值
- **池化层：**下采样实现数据降维，大大减少运算量，避免过拟合。
原始是20×20的，进行下采样，采样为10×10，从而得到2×2大小的特征图
- **全连接层：**经过卷积层和池化层处理过的数据输入到全连接层，得到最终想要的结果。
全连接层
LeNet-5：被誉为卷积神经网络的"Hello World"，是图灵奖获得者Yann LeCun（杨立昆）在1998年提出的CNN算法，用来解决手写识别的问题。
LeNet-5通过引入卷积层、池化层和全连接层等关键组件，构建了一个高效且强大的图像识别网络，为后续卷积神经网络的发展奠定了基础。
- 输入层：INPUT
- 三个卷积层：C1、C3和C5
- 两个池化层：S2和S4
- 一个全连接层：F6
- 输出层：OUTPUT
输入层-卷积层-池化层-卷积层-池化层-卷积层-全连接层-输出层
实际应用
- 图像分类： 可以节省大量的人工成本，将图像进行有效的分类，分类的准确率可以达到95%+。典型场景：图像搜索。
- 目标定位： 可以在图像中定位目标，并确定目标的位置及大小。典型场景：自动驾驶。
- 目标分割： 简单理解就是一个像素级的分类。典型场景：视频裁剪。
- 人脸识别： 非常普及的应用，戴口罩都可以识别。典型场景：身份认证。
二、什么是RNN
循环神经网络（RNN）：一种能处理序列数据并存储历史信息的神经网络，通过利用先前的预测作为上下文信号，对即将发生的事件做出更明智的决策。
网络结构
- 输入层： 接收输入数据，并将其传递给隐藏层。输入不仅仅是静态的，还包含着序列中的历史信息。
- 隐藏层：核心部分，捕捉时序依赖性 。隐藏层的输出不仅取决于当前的输入，还取决于前一时刻的隐藏状态。
- **输出层：**根据隐藏层的输出生成最终的预测结果。
循环神经网络（RNN）
解决问题
- 序列数据处理： RNN能够处理多个输入对应多个输出 的情况，尤其适用于序列数据，如时间序列、语音或文本，其中每个输出与当前的及之前的输入都有关。
- 循环连接： RNN中的循环连接使得网络能够捕捉输入之间的关联性，从而利用先前的输入信息来影响后续的输出。
工作原理
- **输入层：**先对句子"what time is it ？"进行分词，然后按照顺序输入。
对句子进行分词
- 隐藏层： 在此过程中，我们注意到前面的所有输入都对后续的输出产生了影响。圆形隐藏层不仅考虑了当前的输入，还综合了之前所有的输入信息，能够利用历史信息来影响未来的输出。
前面所有的输入都对后续的输出产生了影响
- **输出层：**生成最终的预测结果：Asking for the time。
输出结果：Asking for the time
应用场景
（1）处理数据
- **文本数据：**处理文本中单词或字符的时序关系，并进行文本的分类或翻译。
- **语音数据：**处理语音信号中的时许信息，并将其转换为相应的文本。
- **时间序列数据：**处理具有时间序列特征的数据，如股票价格、气候变化等。
- **视频数据：**处理视频帧序列，提取视频中的关键特征。
（2）实际应用
- 文本生成： 填充给定文本的空格或预测下一个单词。典型场景：对话生成。
- 机器翻译： 学习语言之间的转换规则，并自动翻译。典型场景：在线翻译。
- 语音识别： 将语音转换成文本。典型场景：语音助手。
- 视频标记： 将视频分解为一系列关键帧，并为每个帧生成内容匹配的文本描述。典型场景：生成视频摘要。
三、什么是LSTM
长短期记忆网络（LSTM）：一种特殊的循环神经网络，通过引入内存块和门控机制来解决梯度消失问题，从而更有效地处理和记忆长期依赖信息。 （RNN的优化算法）
网络结构
- **细胞状态（Cell state）：**负责保存长期依赖信息。
- **门控结构：**每个LSTM单眼包含三个门：输入门、遗忘门和输出门。
- **遗忘门（Forget Gate）：**决定从细胞状态中丢弃哪些信息。
- **输入门（Input Gate）：**决定哪些新信息被加入到细胞状态中。
- **输出门（Output Gate）：**基于细胞状态决定输出的信息。
长短期记忆网络（LSTM）
解决问题
- **短时记忆：**RNN难以捕捉和利用序列中的长期依赖关系，从而限制了其在处理复杂任务时的性能。
- **梯度消失/梯度爆炸：**在RNN的反向传播过程中，梯度会随着时间步的推移而逐渐消失（变得非常小）或爆炸（变得非常大）。
工作原理
LSTM的细胞结构和运算
- 输入门：决定哪些新信息应该被添加到记忆单元中
由一个sigmoid激活函数和一个tanh激活函数组成。sigmoid函数决定哪些信息是重要的，而tanh函数则生成新的候选信息。
输入门（sigmoid激活函数 + tanh激活函数）
- 遗忘门：决定哪些旧信息应该从记忆单元中遗忘或移除
遗忘门仅由一个sigmoid激活函数组成。
sigmoid激活函数（区间0～1）
遗忘门（sigmoid激活函数）
- 输出门：决定记忆单元中的哪些信息应该被输出到当前时间步的隐藏状态中。
输出门同样由一个sigmoid激活函数和一个tanh激活函数组成。sigmoid函数决定哪些信息应该被输出，而tanh函数则处理记忆单元的状态以准备输出。
输出门（sigmoid激活函数 + tanh激活函数）
应用场景
（1）机器翻译
应用描述：
- LSTM在机器翻译中用于将源语言句子自动翻译成目标语言句子。
关键组件：
- **编码器（Encoder）：**一个LSTM网络，负责接收源语言句子并将其编码成一个固定长度的上下文向量。
- **解码器（Decoder）：**另一个LSTM网络，根据上下文向量生成目标语言的翻译句子。
流程：
- **源语言输入：**将源语言句子分词并转换为词向量序列。
- **编码：**使用编码器LSTM处理源语言词向量序列，输出上下文向量。
- **初始化解码器：**将上下文向量作为解码器LSTM的初始隐藏状态。
- **解码：**解码器LSTM逐步生成目标语言的词序列，直到生成完整的翻译句子。
- **目标语言输出：**将解码器生成的词序列转换为目标语言句子。
优化：
- 通过比较生成的翻译句子与真实目标句子，使用反向传播算法优化LSTM模型的参数，以提高翻译质量。
（2）情感分析
应用描述：
- LSTM用于对文本进行情感分析，判断其情感倾向（积极、消极或中立）。
关键组件：
- **LSTM网络：**接收文本序列并提取情感特征。
- **分类层：**根据LSTM提取的特征进行情感分类。
流程：
- **文本预处理：**将文本分词、去除停用词等预处理操作。
- **文本表示：**将预处理后的文本转换为词向量序列。
- **特征提取：**使用LSTM网络处理词向量序列，提取文本中的情感特征。
- **情感分类：**将LSTM提取的特征输入到分类层进行分类，得到情感倾向。
- **输出：**输出文本的情感倾向（积极、消极或中立）。
优化：
- 通过比较预测的情感倾向与真实标签，使用反向传播算法优化LSTM模型的参数，以提高情感分析的准确性。
四、什么是Transformer
Transformer：一种基于自注意力机制的神经网络结构 ，通过并行计算和多层特征抽取，有效解决了长序列依赖问题，实现了在自然语言处理等领域的突破。
网络结构
由输入部分输入输出嵌入与位置编码）、多层编码器、多层解码器以及输出部分（输出线性层与Softmax）四大部分组成。
Transformer架构
输入部分：
- **源文本嵌入层：**将源文本中的词汇数字表示转换为向量表示，捕捉词汇间的关系。
- **位置编码器：**为输入序列的每个位置生成位置向量，以便模型能够理解序列中的位置信息。
- **目标文本嵌入层（在解码器中使用）：**将目标文本中的词汇数字表示转换为向量表示。
编码器部分：
- 由N个编码器层堆叠而成。
- **每个编码器层由两个子层连接结构组成：**第一个子层是多头自注意力子层，第二个子层是一个前馈全连接子层。每个子层后都接有一个规范化层和一个残差连接。
解码器部分：
- 由N个解码器层堆叠而成。
- **每个解码器层由三个子层连接结构组成：**第一个子层是一个带掩码的多头自注意力子层，第二个子层是一个多头自注意力子层（编码器到解码器），第三个子层是一个前馈全连接子层。每个子层后都接有一个规范化层和一个残差连接。
输出部分：
- **线性层：**将解码器输出的向量转换为最终的输出维度。
- **Softmax层：**将线性层的输出转换为概率分布，以便进行最终的预测。
解决问题
- **长期依赖问题：**在处理长序列输入时，传统的循环神经网络（RNN）会面临长期依赖问题，即难以捕捉序列中的远距离依赖关系。Transformer模型通过自注意力机制，能够在不同位置对序列中的每个元素赋予不同的重要性，从而有效地捕捉长距离依赖关系。
- **并行计算问题：**传统的RNN模型在计算时需要按照序列的顺序依次进行，无法实现并行计算，导致计算效率较低。而Transformer模型采用了编码器-解码器结构，允许模型在输入序列上进行编码，然后在输出序列上进行解码，从而实现了并行计算，大大提高了模型训练的速度。
- **特征抽取问题：**Transformer模型通过自注意力机制和多层神经网络结构，能够有效地从输入序列中抽取丰富的特征信息，为后续的任务提供更好的支持。
工作原理
Transformer工作原理
- **输入线性变换：**对于输入的Query（查询）、Key（键）和Value（值）向量，首先通过线性变换将它们映射到不同的子空间。这些线性变换的参数是模型需要学习的。
- **分割多头：**经过线性变换后，Query、Key和Value向量被分割成多个头。每个头都会独立地进行注意力计算。
- **缩放点积注意力：**在每个头内部，使用缩放点积注意力来计算Query和Key之间的注意力分数。这个分数决定了在生成输出时，模型应该关注Value向量的部分。
- **注意力权重应用：**将计算出的注意力权重应用于Value向量，得到加权的中间输出。这个过程可以理解为根据注意力权重对输入信息进行筛选和聚焦。
- **拼接和线性变换：**将所有头的加权输出拼接在一起，然后通过一个线性变换得到最终的Multi-Head Attention输出。
详情了解看这篇：神经网络算法 ------ 一文搞懂Transformer ！！_神经网络和transformer-CSDN博客
BERT
BERT是一种基于Transformer的预训练语言模型，它的最大创新之处在于引入了双向Transformer编码器，这使得模型可以同时考虑输入序列的前后上下文信息。
BERT架构
1. 输入层（Embedding）：
- Token Embeddings：将单词或子词转换为固定维度的向量。
- Segment Embeddings：用于区分句子对中的不同句子。
- Position Embeddings：由于Transformer模型本身不具备处理序列顺序的能力，所以需要加入位置嵌入来提供序列中单词的位置信息。
2. 编码层（Transformer Encoder）：
- BERT模型使用双向Transformer编码器进行编码。
3. 输出层（Pre-trained Task-specific Layers）：
- MLM输出层：用于预测被掩码（masked）的单词。在训练阶段，模型会随机遮盖输入序列中的部分单词，并尝试根据上下文预测这些单词。
- NSP输出层：用于判断两个句子是否为连续的句子对。在训练阶段，模型会接收成对的句子作为输入，并尝试预测第二个句子是否是第一个句子的后续句子。
GPT
GPT也是一种基于Transformer的预训练语言模型，它的最大创新之处在于使用了 单向 Transformer编码器************，这使得模型可以更好地捕捉输入序列的上下文信息。************
GPT架构
1. 输入层（Input Embedding）：
- 将输入的单词或符号转换为固定维度的向量表示。
- 可以包括词嵌入、位置嵌入等，以提供单词的语义信息和位置信息。
2. 编码层（Transformer Encoder）：
- GPT模型使用单向Transformer编码器进行编码和生成。
3. 输出层（Output Linear and Softmax）：
- 线性输出层将最后一个Transformer Decoder Block的输出转换为词汇表大小的向量。
- Softmax函数将输出向量转换为概率分布，以便进行词汇选择或生成下一个单词。
参考：架构师带你玩转AI