【淘汰9成NLP面试者的高频面题】LSTM中的tanh和sigmoid分别用在什么地方？为什么？
博客主页： [青松]
本文专栏: NLP 大模型百面百过
【淘汰9成NLP面试者的高频面题】LSTM中的tanh和sigmoid分别用在什么地方？为什么？
重要性：★★★ 💯
本题主要考察面试者对以下问题的理解：
① 数据特征和模型权重的区别
② 门控机制的软性特征筛选特点
这是我常用的一个面试题。看似简单的基础题，但在面试中能准确回答的不足10% ，常识题的错误反而会让人印象深刻。
【NLP 大模型百面百过】系列文章：
-
【淘汰9成NLP工程师的常识题】BPE 分词器是如何训练的？
-
【淘汰9成NLP工程师的常识题】LSTM 如何缓解 RNN 梯度消失的问题?
-
【淘汰9成NLP工程师的常识题】LSTM的前向计算如何进行加速？
-
【淘汰9成NLP工程师的常识题】多头注意力相对于单头注意力有什么优势?
-
......
LSTM 单元的计算图
在大多数情况下，门使用sigmoid函数作为激活函数，而包含实质信息的数据则使用tanh函数作为激活函数。
-
因为tanh的输出是−1.0 ~ 1.0的实数。我们可以认为这个−1.0 ~ 1.0的数值表示某种被编码的“信息”的强弱（程度）。
-
而sigmoid 函数的输出是0.0~1.0的实数，表示数据流出的比例。
举一反三
拔高（举一反三）：深刻理解门控机制，并且知晓门控机制在LSTM、IA3、SwiGLU等中都有应用。
门机制：控制水闸的门就能阻止或者释放水流。类似的，门机制的作用是控制数据的流动。
如上图所示，门的开合程度由 0.0 ~1.0 的实数表示，通过这个数值控制流出的水量，sigmoid 函数用于求门的开合程度（sigmoid 函数的输出范围在 0.0 ~ 1.0）。
① LSTM 中门控机制的应用：
② PEFT 的 IA3 方法中门控机制的应用：
IA3的思想：抑制和放大内部激活，通过可学习的向量对激活值进行抑制或放大。具体来说，会对K、V、FFN三部分的值进行调整，训练过程中同样冻结原始模型的权重，只更新可学习的部分向量部分。训练完成后，与Lora类似，也可以将学习部分的参数与原始权重合并，没有额外推理开销。
③ LLM 的 SwiGLU 激活函数中门控机制的应用：
SwiGLU在计算中引入了门控机制，门控机制可以使用更软性的权重筛选有用的信息，并且梯度更平滑。ReLU和SwiGLU的可视化对比：
NLP Github 项目：
-
NLP 项目实践：fasterai/nlp-project-practice
介绍：该仓库围绕着 NLP 任务模型的设计、训练、优化、部署和应用，分享大模型算法工程师的日常工作和实战经验
-
AI 藏经阁：https://gitee.com/fasterai/ai-e-book
介绍：该仓库主要分享了数百本 AI 领域电子书
-
AI 算法面经：fasterai/nlp-interview-handbook#面经
介绍：该仓库一网打尽互联网大厂NLP算法面经，算法求职必备神器
-
NLP 剑指Offer：https://gitee.com/fasterai/nlp-interview-handbook
介绍：该仓库汇总了 NLP 算法工程师高频面题