**背景：**近期，CV领域很多任务上都采用了transformer系列模型，自己也对这个原来主要用于处理时序信息的模型很感兴趣，所以开始对transformer的学习。由于很长一段时间都是做机器学习和CV，对于NLP相关的序列模型也只是当初入门深度学习的时候稍微学了一下，这里要学transformer，感觉还是有必要从RNN开始复习的，然后逐步到attention注意力机制，然后transformer（transformer 可以说就是attention 的另一个名字吧）
**文章内容：**整个文章首先介绍RNN，然后相应往后介绍GRU和LSTM，由于序列模型中处理文本数据，还需要将文本中的字或者词（一般是字，因为对于语言来说，字的总数往往远远小于词的总数）转换成计算机可以识别的数字（我们叫做词向量），词向量的产生需要用到一种叫word embedding的技术(也是用到一些模型，比如大家常见的word2vec)，所以也会对word embedding进行介绍（最后再补，因为暂时不是重点，大家需要知道的是我们要将文本转换成向量才可以用，最简单的一种转换就是onehot）。 然后引出seq2seq，编码器解码器结构；然后由于种种缺陷，就有了attention注意力机制（能够关注我们更想要关注的地方，通俗理解可以说是有些字或者词对应的词向量的权重更大），然后就有了现在的transformer系列模型。
**下面的内容主要参考：**以吴恩达深度学习、动手学深度学习、Datawhale组队学习（基于transformers的自然语言处理入门）为主，李宏毅深度学习和邱锡鹏神经网络与深度学习为辅助。 另外如果参考了一些博客，我都会尽量把链接补上（如果有漏掉，可以告诉我补上，如果介意我也可以删去，感谢理解~）
一、循环神经网络(RNN)
其实在RNN之前，大家做自然语言处理（NLP）用的也是统计自然语言处理，就像很多机器学习一一样，主要基于概率模型。 对于传统概率模型来说，里面有一个关键点：n元语法。它是基于 阶马尔可夫链的概率语言模型。当 分别为1、2和3时，我们将其分别称作一元语法（unigram）、二元语法（bigram）和三元语法（trigram）。例如，长度为4的序列 在一元语法、二元语法和三元语法中的概率分别为：
当n较小时， 元语法往往并不准确。例如，在一元语法中，由三个词组成的句子“你走先”和“你先
走”的概率是一样的。然而，当n较大时， 元语法需要计算并存储大量的词频和多词相邻频率。（所以n权衡了计算复杂度和模型准确性。）
那么，有没有方法在语言模型中更好地平衡以上这两点呢？
这就引出了RNN， RNN就很好的解决了上述的弊端：
RNN并非刚性地记忆所有固定长度的序列，而是通过隐藏状态来存储之前时间步的信息。