002-FFN(前馈神经网络）和MLP（多层感知器）的介绍及对比

年少无为-G

已于 2024-07-20 19:33:10 修改

阅读量2.1k

点赞数 52

分类专栏：机器学习&深度学习文章标签：神经网络人工智能深度学习学习笔记 1024程序员节 python

于 2024-07-20 19:29:38 首次发布

本文链接：https://blog.csdn.net/weixin_45783948/article/details/140576171

版权

机器学习&深度学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

FFN(前馈神经网络）与MLP（多层感知器）的介绍及对比

一、FFN（前馈神经网络）

FFN代表前馈神经网络（Feed-Forward Neural Network），它是一种基本的神经网络结构，用于在深度学习模型中进行特征变换。在Transformer架构中，FFN是一个重要组成部分，通常位于自注意力层之后。下面是FFN的一些关键点：

结构:
- FFN通常包含两个线性变换，它们之间有一个非线性激活函数。
- 第一个线性层将输入特征映射到一个较大的维度，这称为隐藏层。
- 激活函数如ReLU或GELU被应用于隐藏层，以引入非线性，这有助于网络捕捉更复杂的特征。
- 第二个线性层将隐藏层的输出映射回原始的特征维度。
作用:
- FFN可以看作是对每个位置的特征进行独立变换的方式，它不考虑序列中的其他位置。
- 它增加了模型的表达能力，并允许网络学习更复杂的特征表示。
在Transformer中的角色:
- 在Transformer模型中，每个注意力头输出的特征都会通过一个FFN。
- 这样做可以进一步增强模型对特征的理解，因为FFN能够对自注意力层的输出进行额外的处理。
参数:
- FFN的参数量通常比自注意力层多，因为它包含两个大的线性层。
- 这也意味着FFN是Transformer中计算量较大的部分之一。
  
  在代码中，FFN的实现可能类似于以下形式：
  
  Python
  
  class FeedForward(nn.Module):
  def init(self, dim, hidden_dim, dropout=0.):
  super().init()
  self.linear1 = nn.Linear(dim, hidden_dim)
  self.dropout = nn.Dropout(dropout)
  self.linear2 = nn.Linear(hidden_dim, dim)
```
  def forward(self, x):
      x = self.linear1(x)
      x = F.relu(x)  # 或者使用其他激活函数，如GELU
      x = self.dropout(x)
      x = self.linear2(x)
      return x
```
  dim：输入和输出特征的维度
  
  hidden_dim：隐藏层的维度
  
  dropout：为了防止过拟合而添加的
  
  FFN通过两次线性变换和一个非线性激活函数，对输入特征进行变换，从而增强了模型的学习能力。

二、MLP（多层感知器）

MLP，即多层感知器（Multi-Layer Perceptron），是一种基础的人工神经网络，用于从输入数据中学习复杂的函数映射。它是深度学习和机器学习中最常见的网络结构之一。以下是MLP的几个关键特点：

层级结构:
- MLP由多个层组成，包括一个输入层、一个或多个隐藏层以及一个输出层。
- 每一层都包含若干神经元（或节点），这些神经元与前一层的每个神经元相连接。
全连接:
- 在MLP中，每个神经元都与前一层的所有神经元全连接，这意味着每个神经元的输入是前一层所有神经元的输出的加权和。
激活函数:
- MLP中的每个神经元通常会应用一个非线性激活函数，如Sigmoid、Tanh或ReLU。
- 这些激活函数帮助网络捕捉输入数据中的非线性关系。
前向传播:
- 当输入数据被送入网络时，它会通过每一层的神经元进行传播，这个过程称为前向传播。
- 在每一层，数据会被相应的权重矩阵变换，然后应用激活函数。
反向传播和学习:
- MLP使用反向传播算法来训练网络，通过计算损失函数的梯度并更新权重来最小化误差。
- 这个过程会重复多次，直到网络的性能达到满意的水平。
应用:
- MLP可以用于分类、回归、特征学习等多种任务。
- 它能够学习复杂的模式，并在许多领域中得到应用，如图像识别、语音处理和自然语言处理。
  
  MLP的一个简单示例代码可能如下所示：
  
  import torch
  import torch.nn as nn
  import torch.nn.functional as F
  
  class MLP(nn.Module):
  def init(self, input_size, hidden_size, output_size):
  super(MLP, self).init()
  self.fc1 = nn.Linear(input_size, hidden_size)
  self.fc2 = nn.Linear(hidden_size, output_size)
```
  def forward(self, x):
      x = F.relu(self.fc1(x))
      x = self.fc2(x)
      return x
```
  在这个例子中，MLP类继承自nn.Module，包含两个全连接层fc1和fc2。forward方法定义了数据如何通过网络传播，其中使用了ReLU激活函数。这种结构使得MLP能够学习输入数据到输出标签之间的复杂映射。

三、二者对比

MLP（多层感知器）和FFN（前馈神经网络）在深度学习中通常被用来指代相似的概念，但它们之间存在一些细微的差别：

MLP:
- MLP是一种经典的神经网络结构，它由多个层组成，每一层都是全连接的。
- MLP中的每一层都包含一些神经元，这些神经元与前一层的每个神经元都有连接。
- MLP通常至少包含三层：一个输入层、一个或多个隐藏层以及一个输出层。
- MLP通过层间的权重学习输入数据的特征，并能够进行复杂的非线性映射。
FFN:
- FFN在现代深度学习框架中，特别是在Transformer模型中，通常指的是位于自注意力层之后的两个线性变换和一个非线性激活函数的组合。
- FFN的目的是在保持序列长度不变的情况下，对每个位置的特征进行独立的变换。
- FFN在Transformer中是局部的，因为它不会改变序列中的信息流动，而是在每个位置上独立地应用。

共同点: