今天介绍transformer模型的Feed Forward network前馈网络和Relu激活函数
背景
位置感知Position-Wise前馈网络（FFN）由两个全连接层（fully connected dense layers，就是线性层（Linear Layer），或密集层（Dense Layer））组成，或者也可以称为多层感知机（MLP：multi-layer perceptron）。
参见：Transformer模型-线性层（Linear Layer），全连接层（Fully Connected Layer）或密集层（Dense Layer）的简明介绍-CSDN博客https://blog.csdn.net/ank1983/article/details/137212380
隐藏层，也被称为d_ffn，通常被设置为d_model值的四倍左右。这也是它有时被称为扩展-收缩网络的原因。
根据《动手学深度学习》一书的描述，它被称为“位置感知”网络是因为它“使用相同的MLP在所有序列位置转换表示”。
换句话说，FFN的第一层大小为（d_model，d_ffn），这意味着在进行张量乘法时，它需要在每个序列上进行广播。这意味着每个序列都乘以相同的权重。如果输入的是相同的序列，那么输出也将是相同的。这个逻辑同样适用于大小为（d_ffn，d_model）的第二全连接层，它使张量返回到其原始大小。
在层与层之间，使用ReLU激活函数，即max(0, X)。任何大于0的值保持不变，而任何小于或等于0的值都将变为0。它引入了非线性，有助于防止梯度消失。
ReLU（Rectified Linear Unit，修正线性单元）
ReLU（Rectified Linear Unit，修正线性单元）是一种在神经网络中广泛使用的激活函数。ReLU函数将所有负值映射为0，而正值则保持不变。其数学表达式为：
f(x) = max(0, x)
对于任何输入x，如果x是正数或零，则ReLU函数返回x本身；如果x是负数，则返回0。
ReLU激活函数有几个关键优点：
计算效率：ReLU函数及其导数都是分段线性的，这使得它在计算上非常高效，尤其是在使用现代GPU进行大规模并行计算时。
稀疏性：ReLU可以产生稀疏的激活，即许多神经元的输出为0。这有助于网络学习更加有效的特征表示，因为网络可以专注于对任务重要的输入。
缓解梯度消失问题：在深度神经网络中，当使用Sigmoid或Tanh等激活函数时，由于它们的导数在大部分输入空间内都非常小，可能导致梯度消失问题。而ReLU在正值区域的导数为1，这有助于缓解梯度消失问题，使得深层网络更容易训练。
FFN基本实现-举例
准备：目前输出是(3,6,8)。这表示有3个序列，每个序列包含6个标记，每个标记有8维嵌入。
第一步：这个输出可以通过FFN（前馈网络）。这将把8维嵌入转换为32维嵌入。这个转换过程还通过了ReLU激活函数。新的形状将是(3, 6, 8) x (8, 32) → (3, 6, 32)。
第二步：这个张量可以通过第二层全连接层返回到其正常大小，即(3, 6, 32) x (32, 8) = (3, 6, 8)。这些值已经根据权重和激活函数发生了改变。
FFN 在Transformers的实现：
跟上面2步一模一样，max（）就是Relu（）文章来源：https://www.toymoban.com/news/detail-850475.html
原文链接：https://medium.com/@hunter-j-phillips/position-wise-feed-forward-network-ffn-d4cc9e997b4c文章来源地址https://www.toymoban.com/news/detail-850475.html
到了这里，关于Transformer模型-Feed Forward前馈网络和Relu激活函数的简明介绍的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
