【转】RNN、LSTM、Transformer、BERT简介与区别_rnn lstm transformer bert

几者的主要参考文章： https://blog.csdn.net/weixin_41089007/article/details/96474760

RNN与LSTM的区别参考文章： https://blog.csdn.net/hfutdog/article/details/96479716

RNN和LSTM的区别如下：

• RNN没有细胞状态；LSTM通过细胞状态记忆信息。
• RNN激活函数只有tanh；LSTM通过输入门、遗忘门、输出门引入sigmoid函数并结合tanh函数，添加求和操作，减少梯度消失和梯度爆炸的可能性。
• RNN只能够处理短期依赖问题；LSTM既能够处理短期依赖问题，又能够处理长期依赖问题。
• 但是LSTM相对的运行时间较长

双向RNN和BERT：
双向RNN与self attention layer 的共同点在于： 输入输出都是序列，且输出每个时间节点预测的向量都与输入的所有时间节点相关联；
最大的不同点在于双向RNN输出无法并行（当前时刻的输出与上一时刻的hidden state相关），而attention可以并行

LSTM与BERT：

• LSTM
  概述：
  lstm是代表性的rnn结构，rnn提出是为了解决时序的问题；典型的例子就是NLP中的句子理解，视频的内容理解；模型结构的设计保证输入顺序按照时序顺序对结果产生影响，当前时间步的输入是当前位置和上一个时间步的输出。

• 优点：
  解决了dnn或者是bow词袋模型的问题，不能区分时序

• 缺点：
  处理长文本的时候耗时较长，考虑到上下文，一般还采用双向rnn结构；模型效果上，对于长依赖问题效果不好，容易理解 经过很多个step的传递，信息会减弱

• BERT

• 概述
  bert通过注意力机制实现时序的理解，我认为精妙之处有两点，一点是位置编码融入向量表达，另外一点是就是注意力机制中的QKV矩阵了；残差网络防止网络过于复杂带来的过拟合。
  优点

• 注意力机制，也就是每个位置相对另一个位置的权重是可以并行计算的，在计算资源足够的前提下比lstm会快很多；通过设计预训练任务，用海量无监督数据做预训练，模型效果更好

• 缺点
  由于网络更加复杂，计算量相对lstm更大，训练收敛更慢