神经网络入门指南：从 CNN、RNN 到 Attention如果把深度学习看成一棵树，那么神经网络是树干，CNN 和 R

如果把深度学习看成一棵树，那么神经网络是树干，CNN 和 RNN 是两条重要分支，Encoder–Decoder 负责把“理解输入”和“生成输出”分开，而 Attention 则是通往 Transformer 的关键一步。

这篇文章不追求罗列名词，而是沿着一条主线说明：数据进入模型后经历了什么，模型又是怎样学会的。

一、神经网络究竟在做什么？

神经网络本质上是一个可以通过数据自动调整参数的函数。输入可以是一组数字、一张图片或一句话，输出可以是分数、图片类别，也可以是另一句话。

一个典型的神经网络由三部分组成：

输入层：接收原始数据；
隐藏层：不断提取、组合特征；
输出层：给出最终结果。

只有输入层和输出层的模型通常称为单层网络；含有一个隐藏层的网络常称为浅层神经网络；含有多个隐藏层，才是我们常说的深度神经网络。

1. 神经元：最小的计算单元

一个神经元可以理解成一台小型计算器。它先给每个输入分配一个权重，再加上偏置，最后经过激活函数：

y=f(w_1x_1+w_2x_2+\cdots+w_nx_n+b)

其中：

$x$ 是输入；
$w$ 是权重，表示每个输入有多重要；
$b$ 是偏置，让模型能够整体移动判断边界；
$f$ 是激活函数，为网络加入非线性。

如果没有激活函数，无论叠多少层，整个网络最终仍相当于一次线性变换，无法学习复杂规律。ReLU 是最常用的激活函数之一：输入大于 0 时原样输出，小于 0 时输出 0。它计算简单，也能在一定程度上缓解梯度消失。

2. 模型是怎样学会的？

以“根据学习时长预测考试分数”为例，最简单的模型是：

\hat{y}=wX+b

训练开始时， $w$ 和 $b$ 通常是随机初始化的，因此预测很不准确。随后模型反复执行四步：

正向传播：输入学习时长，逐层计算预测分数；
计算损失：比较预测分数与真实分数，衡量错了多少；
反向传播：利用链式法则，计算每个参数对损失的影响，也就是梯度；
更新参数：优化器沿着让损失下降的方向调整权重和偏置。

可以把它类比为学生做题：先写答案，再对答案，分析错误来自哪一步，最后调整解题方法。经过许多轮训练，损失逐渐下降，参数中也就“记住”了数据里的规律。

训练完成后进入推理阶段。此时模型只使用学到的参数进行正向传播，不再计算损失，也不再反向传播和更新参数。

3. 为什么深层网络不好训练？

梯度可以理解成模型从错误中得到的“修改建议”。反向传播时，这份建议从最后一层逐层往前传。如果每经过一层都变小，传到前面时就可能几乎为 0，前面的参数也就很难继续学习，这就是梯度消失；如果梯度被层层放大，则可能形成梯度爆炸。

常见的缓解方法有三种：

使用 ReLU 激活函数：它像一道门，正数直接放行，让梯度在正数区域更容易通过；
合理初始化参数：Xavier、He 初始化就像调节音响的初始音量，让权重既不过大也不过小；
使用批量归一化：Batch Normalization（BN）像一位“整理员”，把每层输出调整到相对稳定的范围，让训练更加平稳。

这三种方法分别改善激活方式、训练起点和中间数据的稳定性，只能缓解梯度消失，不能保证它彻底消失。它们也不是分别优化某一个参数；网络中的参数最终仍由反向传播计算梯度，再由优化器统一更新。

二、CNN：怎样让神经网络看懂图片？

一张图片在计算机眼中只是一个像素矩阵。若把所有像素直接连接到全连接层，参数量会非常大，也忽略了图像最重要的特点：相邻像素关系紧密，同一种特征可能出现在任意位置。

卷积神经网络（Convolutional Neural Network，CNN）正是针对这两个特点设计的。

1. 卷积层：用小窗口寻找局部特征

卷积核是一个很小的权重矩阵，常见尺寸为 $3\times3$ 。它像一扇滑动的小窗口，在整张图片上从左到右、从上到下扫描。每到一个位置，就与覆盖区域逐元素相乘并求和，得到一个新数值。

卷积核扫描图片

同一个卷积核会在整张图上重复使用，因此：

参数更少，这叫权重共享；
无论某种特征出现在图片哪里，都可以被同一个卷积核识别；
每个卷积核学习一种模式，例如边缘、方向或纹理。

彩色图片通常有红、绿、蓝三个通道，卷积核会同时处理这三个通道。一个卷积核扫描后得到一张特征图，16 个卷积核就会得到 16 张特征图，分别记录模型发现的不同特征。

像素 → 边缘和颜色 → 纹理与形状 → 眼睛、轮胎等局部结构 → 完整物体

第一层卷积只能看到很小的局部区域；随着卷积层不断叠加，后面的神经元能间接看到更大的图片范围。这个范围叫感受野。感受野越来越大，正是深层 CNN 能从局部边缘逐步理解完整物体的重要原因。

卷积还有三个常见参数：

卷积核大小决定观察范围
步幅（stride）决定每次移动多远
填充（padding）决定是否在边缘补值以控制输出尺寸。

2. 池化层：保留重点，压缩尺寸

池化层会对一小块区域做汇总。例如最大池化只保留区域中的最大值。它能缩小特征图、减少计算量，并让模型对特征的小幅位移不那么敏感。

现代 CNN 有时会用步幅卷积代替池化，但目的相似：在尽量保留关键信息的同时降低空间尺寸。

3. 一张图片如何完成分类？

一条典型的数据流是：

输入图片 → 多轮卷积与激活 → 下采样 → 得到高级特征 → 汇总特征 → 分类层输出各类别概率

例如识别猫时，前层可能检测边缘，中层组合出耳朵和眼睛，深层再把这些特征组合成“猫”。训练时，分类误差仍会通过反向传播传回所有卷积核，卷积核也因此逐渐学会提取有用特征。

卷积结束后，模型会将多张特征图展平或汇总，再交给全连接层。若使用两层全连接，第一层负责组合耳朵、胡须、轮廓等特征，第二层为猫、狗等类别计算原始分数（logits）。Softmax 再把这些分数转换成概率，模型最终选择概率最高的类别。

特征图 → 展平或汇总 → 组合特征 → 类别打分 → Softmax 概率 → 预测结果

全连接层的数量并不固定。经典 CNN 常使用多个全连接层，现代 CNN 则常用全局平均池化加一个全连接层，以减少参数量。

4. CNN 为什么越做越深？

LeNet 验证了卷积结构的有效性；AlexNet 让深度 CNN 真正受到关注；VGG 用连续的小卷积核构建更深网络。但网络并非越深越好：层数增加后，梯度和信息传播都会变得困难，甚至出现“更深反而更差”的退化现象。

ResNet 的关键是残差连接：

y=F(x)+x

ResNet 残差连接

它让输入 $x$ 可以绕过若干层直接传到后面，相当于为信息和梯度修建了一条高速公路，使很深的网络更容易训练。后来的 DenseNet 则进一步让不同层之间建立更密集的连接，促进特征复用。

三、RNN：怎样让神经网络理解顺序？

图片的核心是空间关系，而文本、语音和时间序列的核心是先后顺序。“我打了他”和“他打了我”包含相同的字，意思却完全不同。

循环神经网络（Recurrent Neural Network，RNN）会按顺序读取数据，并用隐藏状态保存已经看过的信息。

1. 文字如何进入 RNN？

RNN 不能直接处理文字，文本需要先转换成数字向量：

文字 → Token → Token ID → Embedding 向量 → RNN

例如，“我喜欢学习”会先被切分成“我”“喜欢”“学习”，再根据词表转换成对应的 ID。由于 ID 只是编号，还需要经过 Embedding 层，把每个 Token 转换成带有语义信息的向量。RNN 图中的 $x_t$ ，就是第 $t$ 个 Token 对应的向量。

训练和推理必须使用相同的分词规则、词表和 Embedding 参数，否则模型无法正确理解输入。

RNN 展开后的结构

2. RNN 如何传递上下文？

在第 $t$ 个时间步，RNN 接收当前 Token 的向量 $x_t$ 和上一步记忆 $h_{t-1}$ ：

h_t=f(Ux_t+Wh_{t-1}+b)

o_t=g(Vh_t+c)

新的隐藏状态 $h_t$ 会走向两个方向：一边通过 $V$ 生成当前输出 $o_t$ ，一边作为上下文传给下一时刻。也就是说，横向传递的是 $h_t$ ，不是 $o_t$ 。只有在文本生成等任务中，当前预测出的 Token 才可能再作为下一时刻的输入。

图中的三个矩阵各有分工：

$U$ ：把当前输入 $x_t$ 转换到隐藏空间；
$W$ ：把上一时刻的记忆 $h_{t-1}$ 传递到当前时刻；
$V$ ：把当前隐藏状态 $h_t$ 转换为输出 $o_t$ 。

这些参数在所有时间步共享。也就是说，RNN 不是为句子中的每个词建立一套新网络，而是让同一个单元被反复使用。

以“我喜欢自然语言处理”为例：模型读到“我”后形成一份记忆；读到“喜欢”时，把当前词与此前记忆结合；继续向后读取，隐藏状态不断更新。最终状态包含了模型认为重要的上下文。

3. 普通 RNN 的两个难题

第一，后一个时间步依赖前一个时间步，因此训练难以像 CNN 那样充分并行。

第二，早期信息要经过很长的传递链。正向传播时它可能逐渐被后续信息稀释；反向传播时，梯度经过多次连乘，容易消失或爆炸。这使普通 RNN 很难学会长距离依赖。

长序列中的信息衰减与反向传播

4. LSTM：给记忆增加三道门

LSTM（Long Short-Term Memory）主要缓解普通 RNN 的长期信息丢失和梯度消失，但没有解决顺序计算、难以并行的问题。它在隐藏状态之外增加了一条更稳定的“细胞状态”，再通过门控机制决定信息如何流动。

RNN、LSTM 与 GRU 对比

三个门可以这样理解：

遗忘门：旧记忆保留多少，哪些内容应该丢掉；
输入门：当前输入中哪些新信息值得写入长期记忆；
输出门：当前时刻应该从记忆中拿出哪些内容作为输出。

门的取值通常在 0 到 1 之间，接近 0 表示“拦住”，接近 1 表示“放行”。这些门不是人工编写的规则，而是由训练数据学习出来的。细胞状态提供了较顺畅的信息通道，因此 LSTM 比普通 RNN 更能保留长期信息。

例如读到“中国”时，输入门可以把相关信息写入记忆；处理中间的长内容时，遗忘门决定是否继续保留；读到“母语”时，输出门再取出这段记忆，帮助模型预测“中文”。

5. GRU 与 BiLSTM

GRU 是 LSTM 的简化版本。它把多个状态和门进行合并，主要使用更新门与重置门，参数更少、训练更快，实际效果常与 LSTM 接近。

BiLSTM 则用两个 LSTM 分别从左向右和从右向左读取序列，再合并两边的信息。这样理解一个词时既能看到前文，也能看到后文，适合文本分类、命名实体识别等任务。但在逐词生成文本时，未来词尚不存在，不能直接依赖完整的双向信息。

四、Encoder–Decoder：为什么要把“理解”和“生成”分开？

如果任务只需要对输入进行判断，通常使用特征提取模块加分类器即可；如果需要先理解输入，再生成一段新的序列，就适合使用 Encoder–Decoder（编码器—解码器）。它是“序列到序列”任务的通用框架，常用于机器翻译、摘要、对话和语音识别。输入与输出的长度可以不同，内容和表现形式也不必一一对应。

基于 RNN 的 Encoder–Decoder

它的运行过程分为两段。

1. Encoder：把输入读懂

编码器依次读取源句子的每个词，将词向量和已有隐藏状态不断融合：

输入句子 → 词向量 → 逐步更新隐藏状态 → 得到输入的语义表示

传统 RNN Encoder–Decoder 通常把编码器最后一个隐藏状态当作整句话的压缩表示，再交给解码器。

2. Decoder：根据语义逐步生成

解码器接收编码结果，并从起始标记 <BOS> 开始逐词生成：

根据编码结果和 <BOS> 预测第一个词；
把刚生成的词作为下一步输入，预测第二个词；
不断重复，直到生成结束标记 <EOS>。

每一步生成时，Decoder 都会根据当前状态，为目标词表中的所有 Token 计算原始分数，再通过 Softmax 转换成概率并选择一个 Token：

Decoder 状态 → 词表中各 Token 的分数 → Softmax 概率 → 输出 Token → 作为下一步输入

训练时常把上一步的正确答案喂给解码器，帮助它稳定学习，这叫 Teacher Forcing；推理时没有正确答案，只能使用自己刚刚生成的词，所以前面一旦出错，错误可能继续累积。

3. 固定长度向量为什么不够？

传统结构要求编码器把整句话压进一个固定长度向量。句子越长，这个向量越容易成为信息瓶颈：开头的细节可能在传递中丢失，解码器也无法知道生成当前词时应该重点查看原句的哪一部分。

Attention 正是为解决这个问题而出现的。

五、Attention：需要什么，就回头看什么

在不带 Attention 的经典结构中，Encoder 将最终状态 $h_n$ 交给 Decoder。Decoder 随后结合上一个 Token，不断更新自己的状态 $s_1、s_2……$ 。这些状态记录生成过程，并不意味着它能回看 Encoder 的 $h_1、h_2……$ 。Attention 增加的正是这条访问通道。

Attention（注意力机制）的核心思想非常直观：解码器每生成一个词，都重新查看编码器的全部输出，并挑选此刻最相关的信息。

假设把“我喜欢机器学习”翻译为英文。当解码器准备生成 “machine” 时，应更多关注“机器”；生成 “learning” 时，则应更多关注“学习”，而不是始终依赖同一个句子压缩向量。

一次注意力计算可以分成四步：

保存全部信息：编码器不只保留最后一个状态，而是保留每个输入位置的表示；
计算相关性：用解码器当前状态与每个编码器状态进行匹配，得到一组分数；
归一化权重：用 Softmax 把分数变成总和为 1 的注意力权重；
加权汇总：权重越高的位置贡献越大，最终得到当前步骤专属的上下文向量。

Encoder–Decoder 中的 Attention：相关性打分、权重计算与上下文加权汇总

图中绿色表示 Encoder 状态，粉色表示 Decoder 状态；图用 $s$ 表示 Encoder、 $h$ 表示 Decoder，与正文的符号约定相反。注意力权重表示对原文各位置的关注程度，不是英文词表的输出概率。Decoder 结合加权汇总的信息与自身状态，再预测下一个 Token。

可简写为：

\alpha_{t,i}=\operatorname{softmax}(\operatorname{score}(s_{t-1},h_i))

c_t=\sum_i \alpha_{t,i}h_i

$h_i$ 是编码器在第 $i$ 个位置的表示， $s_{t-1}$ 是解码器当前用于查询的状态， $\alpha_{t,i}$ 是对该位置的关注程度， $c_t$ 则是本次生成所需的上下文。

于是，原来的流程：

整个输入 → 一个固定向量 → 整个输出

变成了：

整个输入 → 保留所有位置 → 每生成一步都动态选取相关信息

Attention 缓解了长序列的信息瓶颈，也让模型的对齐关系更容易观察。例如翻译某个词时，我们可以看到模型主要关注了源句中的哪些词。

六、Attention 之后，为什么还需要 Transformer？

Attention 缓解了传统 Encoder–Decoder 的信息瓶颈：Decoder 不再只依赖一个固定长度的向量，而是可以在生成每个 Token 时，重新寻找输入中最相关的信息。

但此时的主体仍然是 RNN。Token 还要按照顺序逐个处理，后一个时间步依赖前一个时间步，因此难以充分并行；两个距离很远的 Token，也仍然需要经过较长的信息传递路径。

于是，一个新的问题出现了：

能不能去掉循环结构，让任意两个 Token 直接建立联系，并且同时处理整个序列？

Transformer 给出的答案是：让 Attention 从辅助机制变成整个模型的核心。至于它如何使用 Self-Attention、QKV、位置编码和多头注意力，将在下一篇文章中继续拆解。

从本文的路线回看，技术演进其实非常自然：

RNN 依靠隐藏状态传递上下文 → LSTM 改善长期记忆 → Encoder–Decoder 分开理解与生成 → Attention 动态查找相关信息 → Transformer 让 Attention 成为核心

结语

神经网络的学习，本质是“预测—比较—纠错”的循环；CNN 通过局部连接与权重共享理解图像；RNN 通过隐藏状态传递上下文；LSTM 和 GRU 用门控机制管理记忆；Encoder–Decoder 把理解与生成拆成两个阶段；Attention 则让模型在每一步都能主动寻找最相关的信息。

到这里，我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer，看看它如何摆脱 RNN 的顺序计算，又如何让每个 Token 直接找到与自己相关的信息。