当前位置：首页 > news >正文

netty18罗汉——布袋罗汉（encoder）

news 来源：原创 2025/5/22 19:24:48

因揭陀尊者——布袋罗汉无量寿佛、乾坤宝袋欢喜如意、其乐陶陶，因揭陀相传是印度一位捉蛇人，他捉蛇是为了方便行人免被蛇咬。他捉蛇后拔去其毒牙而放生于深山，因发善心而修成正果。他的布袋原是载蛇的袋。

这期主要目录：

两种编码方法
Transformer 编码器

一.netty编码器

回忆一下之前在解码器一节讲的，netty解码器是用包装器和模板模式进行解码操作的，提供了两种解码方式：

1.通过ByteToMessageDecoder 将二进制数据转换成对象

2.通过MessageToMessageDecoder将对象数据转换成对象

现在来看看编码器：

它也是用模板模式，提供两种编码方式：

1.通过MessageToByteEncoder将Pojo转换为二进制数据包

2.通过MessageToMessageEncoderjin将对象数据转换成对象

一共经历三个过程：

a.接受上一个上一个出站处理器的数据。处理器后面单独一个章节讲。

b.子类实现钩子方法，处理业务逻辑之后，写入list集合中。

c.最后把结果发送到下一个出站处理器上。

public void write(ChannelHandlerContext ctx, Object msg, ChannelPromise promise) throws Exception {
        CodecOutputList out = null;
        try {
            if (acceptOutboundMessage(msg)) {
                out = CodecOutputList.newInstance();
                @SuppressWarnings("unchecked")
                I cast = (I) msg;
                try {
                    //钩子方法
                    encode(ctx, cast, out);
                } finally {
                    ReferenceCountUtil.release(cast);
                }

                if (out.isEmpty()) {
                    out.recycle();
                    out = null;

                    throw new EncoderException(
                            StringUtil.simpleClassName(this) + " must produce at least one message.");
                }
            } else {
                ctx.write(msg, promise);
            }
        } catch (EncoderException e) {
            throw e;
        } catch (Throwable t) {
            throw new EncoderException(t);
        } finally {
            if (out != null) {
                final int sizeMinusOne = out.size() - 1;
                if (sizeMinusOne == 0) {
                    ctx.write(out.get(0), promise);
                } else if (sizeMinusOne > 0) {
                    // Check if we can use a voidPromise for our extra writes to reduce GC-Pressure
                    // See https://github.com/netty/netty/issues/2525
                    ChannelPromise voidPromise = ctx.voidPromise();
                    boolean isVoidPromise = promise == voidPromise;
                    for (int i = 0; i < sizeMinusOne; i ++) {
                        ChannelPromise p;
                        if (isVoidPromise) {
                            p = voidPromise;
                        } else {
                            p = ctx.newPromise();
                        }
                        ctx.write(out.getUnsafe(i), p);
                    }
                    //写入下一个出站处理器
                    ctx.write(out.getUnsafe(sizeMinusOne), promise);
                }
                out.recycle();
            }
        }
    }

使用，子类实现钩子方法：

public class Integer2ByteEncoder extends MessageToByteEncoder<Integer> {

    @Override
    public void encode(ChannelHandlerContext ctx, Integer msg, ByteBuf out)
            throws Exception {

        // 原始数据

        // 目标 bytebuf

        out.writeInt(msg);

        Logger.info("encoder Integer = " + msg);
    }
}

二. 来看看transform里面的编码器

我这里不讲一系列复杂的计算公式，核心用一个大家都能看的懂的例子来简单聊聊：

transform = 编码器+解码器

重点来看编码器：

可以看到编码器有多个，每一个编码器由是由 Multi-Head Attention, Add & Norm, Feed Forward, Add & Norm 组成的。

编码器我觉得非常重要，它主要是理解输入信息的。

来看看它是怎样理解信息的：

1. 理解自注意力机制：多线程思维模式

举个例子：想象你是侦探，正在调查一起案件：需要同时分析：

现场照片（当前证据）
目击者口供（相关线索）
案犯档案（历史记录）

核心运作原理

步骤	侦探操作	对应技术术语	作用
1	标记线索重要性	Generate Query Matrix	确定需要重点调查的方向（如凶器类型）
2	筛选关键证据	Compute Key Matrix	从现场提取与凶器相关的物证（如刀痕形状）
3	整合有效信息	Calculate Value Matrix	结合口供和档案锁定嫌疑人

动态权重分配

假设案件有3个线索（A/B/C），自注意力会为每个线索分配关注强度：

关注度 = (A × 关注B的重要性) + (B × 关注C的重要性) + (C × 关注A的重要性)

数值越大 → 越需要重点关注该线索
自动学习 → 侦探会根据案件进展动态调整关注重点

总结一下：动态关注输入序列不同部分的能力。

2.理解残差连接 + LayerNorm

举个例子：《给全班同学拍照》假设你是摄影师，既要拍出清晰的照片（保留原始信息），又要调整光线对比度（优化效果），最后还要把照片分享给全班同学（统一格式）。

2.1 残差连接（Residual Connection）

类比操作：拍照时直接复制一张底片备用
为什么要备份？
如果直接修改原图导致模糊（梯度消失），还可以用备份图恢复清晰画面
实际作用：
输出 = 当前处理结果 + 备份图
（数学表达式：y = F(x) + x）

2.2 LayerNorm（层归一化）

类比操作：调整照片的曝光度和对比度
具体步骤：
① 测量全班同学的身高平均值（计算均值μ）
② 统计身高差异程度（计算方差σ²）
③ 将每个人的身高调整到标准范围（(身高-μ)/√σ²）
实际作用：
标准化处理 = (x - μ) / √(σ² + ε)
（ε是防止除零的小常数）

2.3 组合效果

拍照流程：
拍摄原始照片 → 备份底片（残差连接）
调整曝光 → 统一成班级标准格式（LayerNorm）
输出最终合影 → 全班同学都能看懂（稳定特征表示）

为什么要两者结合呢？

残差连接负责保留关键信息，LayerNorm负责优化信息格式

3.理解前馈网络

示例：《班级春游策划书编写》，先做一份计划书：

收集信息（自注意力阶段完成的）
深度思考（前馈网络的使命）
输出成果（最终特征表示）

1. 输入特征

已获得的信息：
同学特长清单（词嵌入）
座位分布图（位置编码）
自注意力阶段的讨论记录（初步特征）

2.前缀过程

步骤	操作	技术原理	理解要点
第一步	信息扩展	第一层全连接（扩大信息维度）	像把草稿纸写满初步想法
第二步	灵感迸发	ReLU激活函数（非线性变换）	像突然想到绝妙主意
第三步	精炼总结	第二层全连接（压缩信息维度）	像把杂乱思路整理成条理清晰的提纲