目录

1. 层与层之间的核心关联：数据流动与参数传递

1.1 数据流动（Forward Propagation）

1.2 参数传递（Backward Propagation）

2. 常见层与层之间的关联模式

2.1 典型全连接网络（如手写数字分类）

2.2 卷积神经网络（CNN，如图像分类）

2.3 循环神经网络（RNN/LSTM，如文本生成）

2.4 Transformer（如机器翻译）

3. 层间关联的核心原则

3.1 数据传递的“管道”

3.2 参数的“接力更新”

3.3 层的“功能分工”

4. 图形化示意图（以CNN为例）

5. 常见问题解答

Q：为什么有些层之间需要“激活函数”？

Q：层之间如何决定“连接顺序”？

Q：层之间的参数如何共享？

6. 总结：层与层之间的关联是“数据流动 + 参数协同”

---

1. 层与层之间的核心关联：数据流动与参数传递

1.1 数据流动（Forward Propagation）

• 流程：数据从输入层开始，逐层传递到输出层。
• 关键点：
  • 输入 → 隐藏层 → 输出层，每一层对数据进行变换。
  • 每层的输出是下一层的输入。

1.2 参数传递（Backward Propagation）

• 流程：训练时，通过反向传播更新参数（权重和偏置）。
• 关键点：
  • 从输出层反向回传误差，逐层计算梯度。
  • 梯度用于更新对应层的参数（如权重、偏置）。

---

2. 常见层与层之间的关联模式

以下是几种典型模型的分层结构及层间关联示例：

2.1 典型全连接网络（如手写数字分类）

输入层（像素） → 全连接层（隐藏层1） → 激活层（ReLU） → 全连接层（隐藏层2） → 输出层（Softmax）

• 数据流动：

  1. 输入层接收28x28像素的图像（784个输入）。
  2. 隐藏层1通过权重矩阵 W1W1​ 和偏置 b1b1​ 进行线性变换：

     z1=W1⋅输入+b1z1​=W1​⋅输入+b1​

  3. 激活层（ReLU）对 z1z1​ 进行非线性变换：ReLU(z1)ReLU(z1​)。
  4. 隐藏层2重复上述过程，最终输出层生成类别概率。

• 参数关联：

  • 每个全连接层的权重和偏置独立更新。
  • 后层的输入依赖前层的输出。

---

2.2 卷积神经网络（CNN，如图像分类）

输入层（图像） → 卷积层 → 激活层（ReLU） → 池化层 → 全连接层 → 输出层

• 数据流动：

  1. 卷积层用卷积核提取边缘、纹理等局部特征。

     特征图=卷积核∗输入图像+偏置特征图=卷积核∗输入图像+偏置

  2. 激活层（ReLU）增强非线性：max⁡(0,特征图)max(0,特征图)。
  3. 池化层（如最大池化）下采样，减少尺寸：

     输出=取窗口最大值输出=取窗口最大值

  4. 全连接层将特征展平后分类。

• 参数关联：

  • 卷积层的卷积核权重和偏置是参数。
  • 池化层无参数，仅执行固定规则。

---

2.3 循环神经网络（RNN/LSTM，如文本生成）

输入层（词向量） → 嵌入层 → LSTM层（时间步1） → LSTM层（时间步2） → 全连接层 → 输出层

• 数据流动：

  1. 嵌入层将单词映射为向量（如“猫”→[0.2, 0.5, ...]）。
  2. LSTM层按时间步处理序列：
     • 当前输入和前一时刻的隐藏状态共同决定当前状态。
     • 公式示例：

       ht=LSTM(xt,ht−1)ht​=LSTM(xt​,ht−1​)

  3. 全连接层将最终隐藏状态转化为输出。

• 参数关联：

  • LSTM的权重和偏置（如遗忘门、输入门的参数）在时间步间共享。

---

2.4 Transformer（如机器翻译）

输入层（词向量） → 嵌入层 → 位置编码 → 自注意力层 → 前馈网络 → 输出层

• 数据流动：

  1. 自注意力层计算词与词之间的关系权重：

     注意力权重=Softmax(QKTd)注意力权重=Softmax(d​QKT​)

  2. 前馈网络（全连接层）进一步处理特征。
  3. 输出层生成目标语言的词概率。

• 参数关联：

  • 自注意力层的Q、K、V权重矩阵是参数。
  • 前馈网络的权重和偏置逐层更新。

---

3. 层间关联的核心原则

3.1 数据传递的“管道”

• 层与层之间通过张量（Tensor）连接：
  • 每个层的输出是一个张量（如矩阵或向量），直接作为下一层的输入。
  • 形状必须匹配：例如，卷积层输出的特征图尺寸必须与池化层的输入尺寸一致。

3.2 参数的“接力更新”

• 反向传播时，误差从输出层向输入层反向传递：
  1. 计算输出层的误差（如交叉熵损失）。
  2. 计算上一层的梯度（如全连接层的权重梯度）。
  3. 逐层回传，直到更新输入层后的第一个隐藏层的参数。

3.3 层的“功能分工”

• 不同层负责不同任务：
  • 输入层：接收原始数据。
  • 隐藏层：提取特征、学习模式。
  • 输出层：生成最终结果。
  • 辅助层（如归一化、Dropout）：优化训练过程。

---

4. 图形化示意图（以CNN为例）

输入层（图像） → 卷积层（提取特征） → 激活层（非线性） → 池化层（下采样） → 全连接层（分类） → 输出层（概率）

• 箭头方向：数据从左到右流动，参数在隐藏层中更新。
• 关键节点：
  • 卷积层和全连接层有参数，池化层无参数。
  • 激活层仅改变数据形状，不增加参数。

---

5. 常见问题解答

Q：为什么有些层之间需要“激活函数”？

• 原因：
  • 线性变换（如 Wx+bWx+b）无法学习复杂模式。
  • 激活函数（如ReLU）引入非线性，让模型能拟合曲线关系。

Q：层之间如何决定“连接顺序”？

• 经验法则：
  • 图像任务：卷积层 → 池化层 → 全连接层。
  • 文本任务：嵌入层 → LSTM/Transformer → 全连接层。
  • 通用分类：全连接层堆叠（需注意过拟合）。

Q：层之间的参数如何共享？

• 示例：
  • 卷积层：同一卷积核在所有位置共享权重（如检测边缘的卷积核）。
  • RNN/LSTM：同一时间步的参数在所有时间步共享（如每个时间步的遗忘门权重相同）。

---

6. 总结：层与层之间的关联是“数据流动 + 参数协同”

• 数据流动：层间通过张量传递信息，形成从输入到输出的路径。
• 参数协同：所有可学习参数（权重、偏置）通过反向传播共同优化，使模型整体性能提升。