【全面了解自然语言处理三大特征提取器】RNN（LSTM）、transformer（注意力机制）、CNN_nlp自然语言 transformer rnn lstm

自然语言处理（NLP）是人工智能领域中一个重要的分支，它的目的是让计算机能够理解和处理人类语言，而特征提取是让计算机理解和处理人类语言时必不可少的过程，除了数据的因素，一个特征抽取器是否适配问题领域的特点，有时候决定了它的成败，而很多模型改进的方向，其实就是改造得使得它更匹配领域问题的特性（引自张俊林老师的文章）。
下面本文从基本结构、工作原理、优缺点和适用场景具体介绍一下这三个主要的特征提取器

一 、RNN

循环神经网络或递归神经网络。顾名思义，RNN在处理序列信息时（比如一段文本）是递归进行，即下一时刻的处理依赖于上一时刻的结果。
即：不同于传统的神经网络结构，RNN隐藏层之间的节点不再无连接而是有连接的。

1.RNN单个cell的结构

参考

可以看到当前时刻的输出 y^t 和隐藏层状态 a^t 依赖于当前时刻的输入 x^t 和上一时刻的隐藏层状态 a^t-1

2.RNN工作原理

其中一个cell对应于RNN单个细胞的结构，对于上图中的文本翻译问题，输出接收最后一层每个时刻隐藏层的状态，但是对于分类问题，输出只接受最后一层最后一个时刻的隐藏层状态。

3.RNN优缺点

• 优点：

  1. RNN能够有效地处理序列数据
  2. 由于权重共享，RNN在内存使用上比全连接网络高效

• 缺点

  1. 梯度消失和梯度爆炸： 在学习长序列时，RNN容易遇到梯度消失或梯度爆炸的问题，这使得模型难以学习到长距离的依赖关系。
  2. 难以捕捉长期依赖： 尽管RNN理论上能够捕捉长期依赖关系，但在实际应用中，由于梯度问题，其性能往往受限。
  3. 并行计算受限： 由于RNN的序列特性，使得其在并行计算上受到限制，影响了训练速度。

二、LSTM

当输入的序列数据足够长，梯度在层之间进行反向传播时容易消失和爆炸，梯度消失会导致RNN会忘记之前学到的内容，而只能保存短时记忆，难以处理长期依赖问题，而梯度爆炸会使其计算量将呈指数级增长，给模型训练带来极大挑战。
为解决RNN梯度消失和难以捕捉长距离依赖问题，LSTM应运而生。传统RNN的做法是将的所有知识全部提取出来，不作任何处理的输入到下一个时间步进行迭代，LSTM的结构更类似于人类对于知识的记忆方式，通过引入细胞状态与三个门控机制来缓解了以上问题。

1.LSTM单个cell的结构

参考

其中，三个门控机制分别指遗忘门、输入门(图中的update gate)和输出门。除此之外，LSTM引入了一个细胞状态变量:c^t，用于记录每个门控机制发挥作用之后，该保留上文（反向LSTM就是下文）的多少信息。
三个门控机制都相当于是一个函数，该函数通过输入的x和输入的隐藏层状态a来不断更新参数，最后经过sigmoid层获得[0,1]之间的值，该值与细胞状态相乘，即实现了信息的遗忘或者保留。
细胞状态也是LSTM能够解决长依赖问题的关键，它能够保存上文中有价值的记忆。

2. LSTM工作原理

其中一个cell对应于LSTM单个细胞的结构，图中的h是隐藏状态，对应于上图中的a；c代表细胞状态。

三、transformer

RNN和LSTM在处理序列信息时，都是递归进行的，transformer则突破了这种限制。transformer是处理序列到序列问题的架构，单纯由self-attention组成，其优良的可并行性以及可观的表现提升，让它在NLP领域中大受欢迎，GPT-3以及BERT、ERNIE等都是基于Transformer实现的。

首先，一个transformer block有两个部分组成：encoder和decoder

1 Encoder

encoder，编码，主要是用来做特征提取。而能让Transformer效果好的，不仅仅是Self attention，这个Block里所有元素，包括Multi-head self attention，Skip connection，LayerNorm，FF一起在发挥作用，除此之外，position encoding也发挥了很大的作用。
下面来详细讲解一下各个流程。

（1）position encoding

讲position encoding之前，我们需要回顾一下RNN和LSTM对于文本的处理过程，由于他们都是递归的处理，所以天然的记忆了文本中字或者词语之间的顺序关系，而transformer由于是直接读取所有文字，并行处理，所以其丢失了文本的位置信息，也就是无法理解词语的前后关系。position encoding就是为了解决这个问题，在input_embedding的基础上，对文本的位置进行编码，保留位置信息。

【需要注意的是，这里的位置信息属于相对位置信息，BERT里的position embedding属于绝对位置信息，因为在 BERT 中 Positional Embedding 并没有采用固定的变换公式来计算每个位置上的值，而是采用了类似普通 Embedding的方式来为每个位置生成一个向量，然后随着模型一起训练。因此，这一操作就限制了在使用预训练的中文 BERT模型时，最大的序列长度只能是512，因为在训练时只初始化了 512 个位置向量】。

在Transformer中，作者采用了如公式（1）所示的规则来生成各个维度的位置信息。

其中，PE就是代表position的编码表示，pos代表一行文本中单个文字的具体的某一个位置, i的取值范围是[0, dmodel/2]代表维度。

（2）multi-head-attention

之后input进入到多头注意力机制（transformer的核心）部分。多头注意力机制是self-attention即自注意力机制的变形，接下来首先讲一下自注意力机制。

可以将注意力机制归纳为两个过程：第一个过程是根据Query和Key计算权重系数，第二个过程根据权重系数对Value进行加权求和。而第一个过程又可以细分为两个阶段：第一个阶段根据Query和Key计算两者的相似性或者相关性；第二个阶段对第一阶段的原始分值进行归一化处理，公式如下。

具体过程如下图所示。

那么Query、Key和Value是怎么得到的呢，在自注意力机制中上述三个向量都来源于input本身，通过可学习的权重W^q 矩阵, W^k矩阵， W^v矩阵获得，所以自注意机制可以捕获一段文字内的各词语之间的语法特征关系。

而多头注意力机制相当于对同一段序列做了多次自注意力机制，其中每个头在不同的表示子空间中学习序列内的关系。 通过这种方式，模型能够同时从不同的角度捕捉信息，增强了模型的表示能力。

其长距离特征捕获能力主要受到Multi-Head数量的影响，Multi-Head的数量越多，Transformer的长距离特征捕获能力越强。

（3）add&norm 残差链接和归一化

主要有两个主要部分

1. 一个残差链接，也叫skip-connection，把上一层的输入和上一层的输出相加，为了解决梯度消失问题。
2. 第二个是层归一化，作用是把神经网络中隐藏层归一为标准正态分布，加速收敛。

（4）feed forward & add&norm

将上一个模块的输出经过relu激活函数，残差操作和归一化与（3）相同