长序列、效率与 Transformer 综合复习

先把序列任务写成部署合同

选择模型之前，要先确定一个时刻究竟能看到什么。对输入 $x_{1:T}$，离线分类可以使用整段甚至双向上下文；在线告警在时刻 $t$ 只能依赖 $x_{le t}$；预测未来 $K$ 步还要说明是一次并行输出，还是把已生成结果继续喂回模型。若训练读取未来而部署不能读取，验证分数再高也不代表系统可用。

合同至少包括采样率、最长与典型长度、输出频率、端到端延迟、峰值内存、缺失与乱序规则、监督量、允许的未来窗口和评价指标。还要区分输入长度与依赖距离：一万个时间点的序列不一定需要一万个点全部精确交互，关键证据也可能只在最近二十步。模型宽度和窗口应由这种信息结构决定，而不是由“长序列”标签决定。

所有候选方案先共享同一数据切分。时间序列不得把同一对象相邻窗口随机分到训练与测试中，否则重叠片段会泄漏。归一化统计只能用训练段估计，padding、缺失值和真实零值要有不同语义。只有输入合同一致，结构比较才有意义。

普通RNN把历史压进固定宽度状态

循环网络按

更新。推理只需保留 $h_{t-1}$，新增一步的状态内存不随已见长度增长，天然适合流式输入。时间顺序由递推结构直接编码，不必额外加入位置向量。这种强归纳偏置在数据较少、局部动态明确时可能有效。

代价是时间轴无法在单层内完全并行：$h_t$ 必须等待 $h_{t-1}$。训练的反向路径跨越许多递推 Jacobian，可能消失或爆炸；固定宽度状态还是信息瓶颈，早期细节必须经过反复压缩。截断反向传播只在有限片段上求梯度，能控制内存，却同时切断更远的直接学习信号。

LSTM与GRU用门控制保留和覆盖

LSTM维护细胞状态 $c_t$ 和隐藏状态 $h_t$。遗忘门决定旧细胞保留多少，输入门决定候选内容写入多少，输出门决定暴露多少。加法更新 $c_t=f_t\odot c_{t-1}+i_t\odot\tilde c_t$ 给梯度提供较直接路径。GRU把长期状态与输出状态合并，以更新门在旧状态和候选状态之间插值，门和参数通常少于同宽度LSTM。

门控改善可学习性，但不保证任意远依赖都被保存。若遗忘门长期小于一，连乘仍会衰减；若状态宽度不足，多个事件仍会竞争容量。LSTM、GRU也保持时间递推，不能像整段自注意力那样一次计算同层全部位置。选择二者应比较实际延迟、参数、状态和任务分数，不应把“更复杂”当作恒定优势。

注意力把历史变成可寻址记忆

注意力不要求把全部历史塞进一个向量。查询 $q_i$ 与各键 $k_j$ 计算相似度，softmax 权重再对值 $v_j$ 加权。目标位置可以直接读取较远源位置，最短信息路径不随距离线性增长。交叉注意力尤其清楚：解码查询读取一组编码记忆，查询长度和记忆长度可以不同。

注意力本身不是完整序列架构，也不天然知道先后。没有位置表示时，重排键值会相应重排权重，但聚合结果对同一集合具有置换性质。自注意力还必须根据任务使用padding、因果或局部mask；被禁止位置应在softmax前不可见。多头机制提供多个投影子空间，但头数增加不自动产生不同语义，需由任务和优化学习。

全自注意力的分数张量含 $N^2$ 个位置对。它适合硬件上的大矩阵并行，却在长序列上带来计算和训练激活内存压力。“并行”描述的是同一层不同位置可一起算，不代表层与层之间无依赖，也不代表自回归部署能同时生成未知的未来token。

Transformer把寻址、通道变换与稳定路径组装起来

Transformer块用多头注意力在位置间传递信息，用逐位置FFN在通道内进行非线性变换，再由残差和LayerNorm维持形状与优化路径。编码器允许有效位置双向读取，因果解码器只能读取当前与过去，编码器—解码器结构还用cross-attention读取源记忆。绝对、相对或旋转位置机制补上顺序结构，各自的长度外推假设不同。

与RNN相比，Transformer的归纳偏置更弱：任意两个允许位置可直接交互，距离本身必须由位置机制表达。这常适合大数据和异质依赖，却可能需要更多监督、正则与算力。训练稳定性也不能只归功于注意力；初始化、pre-norm或post-norm、残差尺度、学习率预热、精度和损失归约共同决定结果。

在自回归推理中，缓存每层过去token的K和V，当前步只计算新查询与缓存的键值，避免反复重算旧位置。缓存让单步计算从重新处理整个前缀下降，但缓存长度仍随生成序列增长，当前查询仍要读取越来越多键。RNN则只保留固定宽度递推状态；二者用不同方式交换可访问信息和资源。

七个维度必须一起比较

状态方面，RNN保存单一递推摘要，LSTM保存细胞与隐藏状态，GRU保存门控隐藏状态；注意力保存可读取的键值集合，Transformer还保存逐层表示或解码缓存。固定状态资源稳定但会压缩历史，显式记忆保留细节但资源随长度增加。

并行方面，循环模型的层内时间轴串行，自注意力训练可并行全部已知位置；自回归输出对所有模型都受未知未来约束。归纳偏置方面，循环结构偏好邻近更新与顺序，卷动状态自然适应流式；自注意力偏好内容寻址，位置与局部性需显式提供。

稳定性方面，普通RNN面临长Jacobian链，门控提供加法状态路径；Transformer缩短信号跨位置路径，但深层仍依赖残差、归一化、初始化和优化计划。上下文方面，要区分标称窗口、训练中见过的长度和真正影响输出的有效上下文。解码方面，循环状态固定，Transformer缓存增长；波束搜索会同时复制或重排各候选状态。

任务适配方面，整段分类可比较双向GRU与编码器Transformer；低延迟传感器流优先测试因果GRU或小型因果模型；源到目标转换可用编码器—解码器和cross-attention；长文本自回归生成通常使用因果Transformer，但仍受缓存和解码串行限制。没有一个结构在七个维度上无条件占优。

长上下文要用距离分层实验核验

标称窗口为8192，不等于模型可靠使用第一个token。训练长度分布、位置机制、有限精度、注意力稀释和数据中远距信号稀少，都可能让有效上下文更短。评估应把关键证据放在不同距离，保持其他内容与难度一致，报告准确率或损失随距离的曲线，而非只报告平均值。

至少设置短窗口基线、完整窗口、打乱远距证据和删除远距证据。若完整窗口不优于短窗口，可能任务无需远距信息，也可能模型没有利用；删除关键证据后仍不变，需检查数据泄漏或模型走了捷径。长度外推要单独测试超过训练范围的样本，不能由训练内插结果推断。

降低成本可以分块、滑动窗口、下采样、稀疏连接或近似注意力，但它们改变了可访问信息。分块若没有跨块状态会切断依赖；下采样可能丢失短暂事件；近似机制可能对少数尖锐匹配不准确。每个优化都应写出保留的连接、最坏复杂度和任务误差，而不是只报理论阶数。

训练目标与解码策略不能混为一谈

教师强制用真实前缀预测下一步，使因果Transformer和RNN都能计算每个位置的监督；Transformer可并行这些位置，RNN仍递推。部署时模型读到自己的输出，误差会改变后续输入分布。训练损失衡量条件预测，贪心、束搜索或随机采样则决定怎样从条件分布产生序列，二者是不同接口。

贪心每步取最大概率，便宜但不保证全序列最优；束搜索保留多个累计分数候选，需处理长度归一化、终止符和状态重排；温度、top-k或top-p采样用于控制随机生成分布。分类与回归序列不一定需要这些文本解码策略。应从输出语义选择解码，而不是因为使用Transformer就默认采样。

综合案例：按硬约束选择而不是按模型名选择

实现核验从不变量开始

第一，列出每个张量的批次、时间、头和通道轴，确认残差两端同形。第二，构造极小序列，人工验证padding和因果mask；改变被屏蔽token不得影响允许查询。第三，让模型过拟合少量样本，并比较短窗口、完整窗口与无序基线。第四，训练与评估分别记录损失、任务指标、吞吐、延迟、峰值内存和按依赖距离分组的结果。

流式模型还要测试分块运行与一次整段运行是否在允许误差内一致，明确何时清空状态。缓存解码要比较有缓存与无缓存的logits，并在截断、束重排和批次结束时正确管理缓存。固定随机种子只能帮助复现，不能代替跨种子报告；理论复杂度也不能代替目标硬件测量。

练习

概念关系

• 循环神经网络与门控机制 提供递推状态、LSTM与GRU更新。
• 序列训练、教师强制与截断反传 区分训练目标和部署输入。
• 注意力机制 解释查询对显式记忆的内容寻址。
• 多头注意力与位置表示 补充头轴、mask和顺序编码。
• 编码器、解码器与Transformer架构 连接残差块、cross-attention和KV缓存。
• 自回归模型 延伸条件分解与逐步生成。
• 深度学习工程综合复习 延伸精度、性能与部署证据。

资源