当前位置：首页 > news >正文

（1）深度学习基础知识（八股）——常用名词解释

news 2025/5/23 5:13:51

1. FC

FC全称是Fully Connect全连接层，也被称为Linear Layer线性层。

它的核心是：每个输入神经元与每个输出神经元都要通过权重连接，适用于将输入特征映射到高维或者低维空间。

数学表示

对于一个输入向量 $x\in \mathbb{R}^{n}$ ,FC的计算方式是：

$y=Wh+b$

$W\in \mathbb{R}^{m\times n}$ 是权重矩阵（m 是输出维度，n 是输入维度）。
$b\in \mathbb{R}^{m}$ 是偏置向量。

代码表示

示例一：
import torch
import torch.nn as nn# 定义一个全连接层（输入维度是3，输出维度是5）
fc_layer=nn.Linear(in_features=10,out_features=5)# 输入数据（batch_size=3, 特征维度=10）
x = torch.randn(3, 10)  
# 前向计算
output = fc_layer(x)  # 输出形状: (3, 5)
示例二：
# 定义一个FC层（输入512维，输出2048维）
fc = nn.Linear(3, 2)
x = torch.randn(3, 10, 512)  # (batch_size, seq_len, d_model)
fc = nn.Linear(512, 2048)     # 输入维度=512，输出维度=2048
output = fc(x)                # 输出形状: (3, 10, 2048)
注意

nn.Linear 的设计会自动处理高维输入，仅对最后一个维度进行线性变换，而保持其他维度不变。

若输入 x 的形状为 (D1, D2, ..., Dn, in_features)，则输出形状为 (D1, D2, ..., Dn, out_features)。

2. MLP

MLP全称是MultiLayer Perceptron，多层感知机。

MLP = 输入层 + 隐藏层（至少一层）+ 输出层

每一层包含多个神经元，层与层之间全连接FC（Fully Connected）。

数学表示

3层MLP，也就是单隐藏层的MLP：

$h=\sigma (W_1x+b_1),y=W_2h+b_2$

输入 → FC → ReLU → FC → 输出

x 是输入，h 是隐藏层输出，y 是最终输出。
σ 是非线性激活函数。

代码表示

Class MLP(nn.Module):def __init__(self,input_dim=10,hidden_dim=20,output_dim=5):super().__init__()self.layers=nn.Sequential(nn.Linear(input_dim,hidden_dim), # 第一层FCnn.ReLU(),                       # 激活函数nn.Linear(hidden_dim.output_dim) # 第二层FC)def forward(self,x):return self.layers(x)# 使用MLP
mlp=MLP()
x=torch.randn(3,10)
output=mlp(x)  # (3,5)

3. FFN

FFN全称是FeedForward Network，前馈神经网络，也称为多层感知器MLP(MultiLayer Perceptron)。

FFN 是一个更广义的概念，指任何没有循环或反馈连接的神经网络，包括MLP。

Transformer中的FFN

在特Transformer中，FFN 特指一种 带有残差连接的两层全连接网络。

数学表示

$FFN(x)=ReLU(xW_1+b_1)W_2+b_2$

第一层：扩展维度（通常放大4倍），使用ReLU激活。
第二层：压缩回原始维度。
残差连接：FFN的输出会与输入相加（x+FFN(x)）。

代码表示

import torch
import torch.nn as nn
class FFN(nn.Module):def __init__(self, d_model=512, d_ff=2048, dropout=0.1):super().__init__()# 第一层：扩展维度 (d_model → d_ff)self.fc1 = nn.Linear(d_model, d_ff)# 第二层：压缩回原始维度 (d_ff → d_model)self.fc2 = nn.Linear(d_ff, d_model)# 激活函数和Dropoutself.relu = nn.ReLU()self.dropout = nn.Dropout(dropout)def forward(self, x):# 残差连接保留原始输入residual = x# 第一层 + ReLU + Dropoutx = self.dropout(self.relu(self.fc1(x)))# 第二层x = self.fc2(x)# 残差连接 + Dropout（可选）x = self.dropout(x) + residual  # 原始Transformer论文中此处无Dropoutreturn x
# 使用示例
ffn = FFN(d_model=512, d_ff=2048, dropout=0.1)
x = torch.randn(3, 10, 512)  # (batch_size, seq_len, d_model)
output = ffn(x)

4、MLP 与 MLP的区别

在机器学习和深度学习中，MLP(多层感知机)和 FFN(前馈神经网络)在很大程度上可以视为同义词，都指代了一个具有多个层的前馈神经网络结构。

MLP(多层感知机)更偏向于表达网络结构(多个全连接层)
FFN(前馈神经网络)更偏向于表达数据以前馈的方式流动

MLP 和 FFN 通常指的是只包含全连接层和激活函数的神经网络结构。这两者都是基本的前馈神经网络类型，没有包含卷积层或其他复杂的结构。

5、Logit

Logit 通常指神经网络中最后一个隐藏层的输出，经过激活函数之前的值，例如：

对于二分类问题，logit是指网络输出的未经过sigmoid函数处理的数据；
对于多分类问题，logit是指网络输出的未经过softmax函数处理的数据。

数学表示

在分类任务中，假设模型有 C 个类别，Logit 是模型最后一层（通常是全连接层）的输出：

$logits=[z_1,z_2,...,z_c]$

$z_i$ 是模型对第 i 个类别的原始预测值（未归一化）。
这些值可以是任意实数（正、负或零），范围不受限制。

Logit 与概率的关系

多分类任务

Logit 本身不是概率，但可以通过 Softmax 函数转换为概率：

$p_i=\frac{e^{z_i}}{\sum_{j=1}^{C}e^{z_j}}$

Softmax 的作用：

将 Logit 转换为概率分布（所有 pi之和为 1）。
放大较大的 Logit，抑制较小的 Logit（指数运算的影响）。

代码表示
import torch
logits = torch.tensor([2.0, 1.0, 0.1])  # 模型输出的原始分数
probs = torch.softmax(logits, dim=0)     # 转换为概率
print("Logits:", logits)  # tensor([2.0000, 1.0000, 0.1000])
print("Probs:", probs)    # tensor([0.6590, 0.2424, 0.0986])
二分类任务

在二分类任务中：Logit 是单个标量 z（不是向量）。通过 Sigmoid 转换为概率：

$p=\sigma (z)=\frac{1}{1+e^{-z}}$

代码表示
logit = torch.tensor([0.8])  # 模型输出的 Logit
prob = torch.sigmoid(logit)  # 转换为概率
print("Logit:", logit.item())  # 0.8
print("Prob:", prob.item())   # 0.6899

6. NLL

NLL 全称是Negative Log_Likelihood 负对数似然，是机器学习中常用的损失i函数，主要用于分类任务。

核心思想：

惩罚模型预测的概率分布与真实标签的差异。
越小越好（NLL 越小，模型预测越准）。

数学定义

给定：

真实标签（one-hot 或类别索引）:y;
模型预测的概率分布（Softmax 输出）：p NLL 的计算公式：

$NLL=-logp(y)$

代码表示

import torch
import torch.nn as nn
# 模型预测的 Logit（未归一化）
logits = torch.tensor([[2.0, 1.0, 0.1]])  # 1个样本，3个类别
# 真实标签（类别索引，假设是第0类）
target = torch.tensor([0])  # 真实类别是第0类
# 计算 Softmax 概率
probs = torch.softmax(logits, dim=1)  # tensor([[0.6590, 0.2424, 0.0986]])
# 计算 NLL
nll_loss = -torch.log(probs[0, target])  # -log(0.6590) ≈ 0.417
print("NLL Loss:", nll_loss.item())  # 输出: 0.417