做简易动画的网站搜索引擎bing

个人学习自用，一些解释限于仅处理字母序列，有错误或不准确的地方欢迎指正

序列建模发展基本信息总结

模型架构	提出年份	引用量（截至25.5.3）	核心机制	变体模型	时间复杂度	长距离建模	并行性	输入变化	后续传播	适用场景
RNN/LSTM/GRU	1980/1997/2014	\	递归结构	\	O(n)	差/好/较好	差	\	\	短序列建模/长序列建模/资源受限场景
Transformer NIPS会议	2017.6 （谷歌）	178283	自注意力机制	BERT / GPT	O(n²) 超长序列受限	优秀	优秀	token→嵌入(+位置编码)→Q/K/V	全局注意力	长序列建模，主流NLP任务
Mamba 仅预印本	2023.12（卡内基梅隆大学）	3113	状态空间更新	Vision Mamba	O(n)	优秀	优秀	token→嵌入→动态状态更新参数	状态更新	多模态长序列建模
Hyena ICML会议	2023.2（斯坦福大学）	347	长卷积+门控	Striped Hyena	O(N log L)	优秀	优秀	token→嵌入→门控+卷积核生成	卷积	超长序列建模，生物序列等领域

计算步骤对比（输入为字母序列时）

步骤	Transformer	Mamba	Hyena	异同
1. 分词	需要	需要	需要	相同
2. 词嵌入	token 映射为向量	token 映射为向量	token 映射为向量	相同
3. 位置编码	必须，否则序列无顺序感	可选，SSM 隐顺序	可选，卷积天然顺序感知	不同
4. 投影 (X: 嵌入；W: 权重)	$Q=X\cdot W_Q$ $K=X\cdot W_K$ $V=X\cdot W_V$ Q 查询向量，KV 键值对	状态空间输入向量： $u_t=X\cdot W_{proj}$	门控准备： $z_t=\sigma (X\cdot W_{gate})$ 卷积准备： $h_t=X\cdot W_{conv\_proj}$	不同
5. 主干运算	注意力得分： $\text{scores}=\frac{Q{K}^T}{\sqrt{d}}$ 注意力输出： $\text{attn\_out}=\text{softmax(scores)}\cdot V$ 前馈映射： $\text{FFN}=\text{MLP(attn\_out)}$	动态矩阵： $A(x_t),B(x_t),C(x_t),D(x_t)$ 状态更新： $h_t=A(x_t)\cdot h_{t-1}+B(x_t)\cdot x_t$ 输出： $y_t=C(x_t)\cdot h_t+D(x_t)\cdot x_t$	长卷积计算： $\text{conv\_out}=h_t\ast k(\tau )$ $K(t)$ 卷积核长度为 $t$	不同
6. 非线性激活	前馈网络内使用 如 ReLU / GeLU	可选激活 SiLU 或其他	卷积后 ReLU / SiLU 激活	相似，位置不同
7. 残差连接	Attention 和 FFN 输出加残差	SSM 输出加残差	卷积输出加残差	相同
8. 层归一化	每子层后 LayerNorm	每 SSM/模块后 LayerNorm	每模块块后 LayerNorm	相同
9. 输出层	线性变换 + Softmax 分类或回归	线性映射 + 分类或回归	卷积输出或后接 MLP	不同

计算步骤解释（输入为字母序列时）

模型	主干运算解释	输入嵌入 Tokenization + Embedding	输入嵌入 位置编码	公式解释补充 对应下表 5.主干运算补充
Transformer 核心: 自注意力机制	1. 多头自注意力机制 (Multi-Head Self-Attention)： 模型在不同表示的子空间中并行地关注不同位置。 2. 前馈神经网络 (Feed-Forward Neural Network, FFN)： 对每个位置的表示进行非线性变换。	DNA Tokenize： k-mer、BPE、单碱基、可学习分词… Embedding： 将每个 token 转为向量（词嵌入矩阵）	Transformer 需添加位置编码，引入序列中 token 位置信息。	QKV → softmax → FFN 计算 token 间相似度 聚合值向量 提取深层特征
Mamba 核心: 结构化状态空间模型	1. 卷积层 (Convolution)：捕捉局部上下文信息。 2. 选择性状态空间模块 (Selective SSM)： 动态地建模序列中的长期依赖关系。	同上	Mamba、Hyena 内部机制保留顺序依赖， 因此不使用位置编码，或使用简单增量偏置。	状态更新 → 选择性机制 A(x)：控制前一状态的更新比例 B(x)：控制当前输入对状态的影响 C(x)：控制状态对最终输出的影响 D(x)：控制输入对最终输出的影响
Hyena 核心: 隐式长卷积	1. 门控机制 (Gating Mechanism)：控制信息流动。 2. 长卷积 (Long Convolution)：捕捉长距离依赖关系。	同上	同上	隐式卷积 → 门控 控制信息前后强化/弱化 准备卷积输入、执行长距离卷积（FFT 实现）

BERT参数量计算

BERT参数量 = embedding层参数 + 层数 * 各层的参数 + 输出层参数。
假设训练此BERT，就1条训练数据（ACTG）长度为4，共2层Transformer，隐藏层维度hidden_size=8

步骤	模块	参数形状	参数量	说明
嵌入层：40+32=72	词嵌入矩阵	(5, 8)	40	词表大小 5 (A/C/T/G/[MASK])，嵌入维度 8
	位置编码	(4, 8)	32	序列最大长度 4，可学习位置编码
投影层：64×4 = 256	Q 线性映射	(8, 8)	64	Query
	K 线性映射	(8, 8)	64	Key
	V 线性映射	(8, 8)	64	Value
	注意力输出映射 ($W_{output}$)	(8, 8)	64
FFN 子层：280	FFN 升维	(8, 16)	128	第一层全连接
	FFN 升维偏置	(16,)	16
	FFN 降维	(16, 8)	128	第二层全连接
	FFN 降维偏置	(8,)	8
LayerNorm：32	LayerNorm1：Attention 后	γ: (8,), β: (8,)	16	γ 是缩放函数，β 是偏移参数
	LayerNorm2：FFN 后	γ: (8,), β: (8,)	16	每个特征维度单独缩放平移
输出层：40+5=45	输出层权重	(8, 5)	40	嵌入维度 → 词表大小
	输出层偏置	(5,)	5
全部总参数：嵌入层 72 + 两层 Transformer 共 1136 + 输出层 45 = 1253