1.one to one 模型

如何对时序数据建模？

人类大脑在阅读时，并不是把一段文字看完在思考，而是边思考变阅读，随着看完后就积累了整段文字的大意，因此处理时序数据就不能使用one to one 模型

什么是one to one模型？

  一个输入对应一个输出，例如输入一张图片，输出类别概率值，one to one 适应图片，但是不适应文件，因为文本的输入不固定，输出也不固定，一句话可长可短，翻译时输出也是可长可短，

因此one to one模型不适合时序数据，适合时序数据的模型应该是 many to many 或者 many to one，RNN就是这样的模型

rnn的ht和人的大脑很类似，人的大脑随着阅读会积累信息，那么ht也会随着输入积累序列的信息

h_0 只积累了输入x_0的信息，h_1积累了输入x_0和x_1的信息，，，，h_t积累了输入的x_0、x_1、x_2、、、x_t的信息，注意这里的rnn只有一个参数A，无论链多长，只有一个参数A，A的参数开始是随机初始化，利用训练数据学习A的参数

2.Simple RNN

1. 简单的simple RNN可以发现输入和输出以及参数之间的关系，首先输入是有两部分组成，输入的x_t和上一个输出的状态h_t-1的concat链接，A矩阵就是RNN的需要学习的矩阵，tanh是激活函数，h_t是当前的输出

2.这里在获取状态前需要经过tanh激活函数，没有激活函数是否可以？答案是不可以

因为如果没有激活函数，多层后，输出的状态值要么爆炸，要么为0，使用激活的目的就是对数据进行正则化，使其规范到0到-1

标签：积累,输出,Transformer,RNN,模型,时序,----,Vision,输入
来源： https://blog.csdn.net/weixin_42398658/article/details/122091670