目录

一.RNN与Transfrmer

二.word2vec

三.自注意力机制

四.辅助向量Q/K/V

五.计算过程

六.整体架构​编辑

七.Bert

---

 

一.RNN与Transfrmer

RNN（循环神经网络）和Transformer都是深度学习中用于处理序列数据的模型，但它们在结构和性能上有显著的区别。以下是它们的一些主要对比：

1.结构和原理

RNN：
基本结构：RNN通过循环结构来处理序列数据，每个时间步的输出不仅取决于当前输入，还依赖于前一个时间步的输出（或隐藏状态）。这种结构使得RNN能够捕捉序列中的时间依赖关系.
 变体：常见的RNN变体包括LSTM（长短期记忆网络）和GRU（门控循环单元），它们通过引入门控机制来解决传统RNN的梯度消失和梯度爆炸问题.
计算方式：RNN的计算是按时间步顺序进行的，每个时间步的计算依赖于前一个时间步的结果，因此RNN的计算是串行的.

Transformer：
基本结构：Transformer完全摒弃了循环结构，采用自注意力机制（Self-Attention）来捕捉序列中不同位置之间的关系。它由多个编码器和解码器层组成，每个层都包含自注意力模块和前馈神经网络.
自注意力机制：自注意力机制允许模型在计算当前位置的表示时，同时考虑序列中所有位置的信息，从而实现并行计算.
计算方式：由于自注意力机制的存在，Transformer可以并行处理序列中的所有位置，这使得其在处理长序列时具有更高的效率.

2.性能和应用

处理长序列的能力：
RNN：由于其串行计算方式和梯度传播问题，RNN在处理长序列时容易出现梯度消失或梯度爆炸，导致模型难以捕捉长距离的依赖关系.
 Transformer：自注意力机制使得Transformer能够有效地捕捉长距离依赖关系，即使在长序列中也能保持较好的性能.

并行化能力：
RNN：由于其串行计算特性，RNN在训练时难以实现高效的并行化，这限制了其在大规模数据集上的训练速度.
Transformer：并行计算能力是Transformer的一大优势，它可以在训练过程中同时处理序列中的多个位置，显著提高了模型的训练效率.

模型复杂度和参数量：
RNN：相对而言，RNN的模型结构较为简单，参数量较少，适用于一些轻量级的应用场景.
Transformer：Transformer的结构较为复杂，参数量较大，通常需要更多的计算资源和数据来训练.

应用领域：
RNN：早期常用于自然语言处理任务，如语言建模、机器翻译等，但由于其在长序列处理上的局限性，逐渐被Transformer等模型取代.
Transformer：凭借其强大的性能和并行化能力，Transfo