最近新出了一种很火的架构mamba，听说吊打transformer，特此学习一下，总结一下学习的内容。

state-spaces/mamba (github.com)3个月8Kstar，确实有点受欢迎。

目录

1.先验

RNN​

LSTM

​2.mamba

State Space Models​

Selective State Space Models​

---

1.先验

RNN

RNN（循环神经网络）是一种在序列数据处理中广泛应用的神经网络模型。相较于传统的前馈神经网络（Feedforward Neural Network），RNN具有一种循环结构，使其能够对序列数据进行建模和处理。

RNN的关键思想是引入了时间维度上的循环连接，使得网络在处理序列数据时可以保持信息的传递和记忆。在RNN中，每个时间步都有一个隐藏状态（hidden state），它对应于该时间步的输入以及前面时间步的隐藏状态。这种隐藏状态的传递和更新机制使得RNN能够捕捉序列中的时序依赖关系。

在每个时间步，RNN的计算可以分为两个关键步骤：

1.  当前隐藏状态 = 上一时刻隐藏状态 *W + input*W

2. 输出预测 = 当前隐藏状态*W

3. 隐藏状态：可以看作是一种记忆能力，记录了上一时刻的信息，但是上上时刻，上上上时刻的信息都没有，即短期记忆，只记得昨天，不记得前天和之前的信息(举例)

RNN的灵活性使其适用于多种任务，例如自然语言处理（NLP）、语音识别、机器翻译、时间序列预测等。然而，传统的RNN存在梯度消失（gradient vanishing）和梯度爆炸（gradient explosion）等问题，导致对长期时序依赖的建模能力有限。

梯度爆炸：偏导数 ∂ℎ�∂ℎ0 将会变得非常大，实际在训练时将会遇到NaN错误，会影响训练的收敛，甚至导致网络不收敛。可以用梯度裁剪（gradient clipping）来解决。

梯度消失：此时偏导数 ∂ℎ�∂ℎ0 将会变得十分接近0。LSTM和GRU通过门（gate）机制控制RNN中的信息流动，用来缓解梯度消失问题。其核心思想是有选择性的处理输入

推荐视频：【循环神经网络】5分钟搞懂RNN，3D动画深入浅出_哔哩哔哩_bilibili

这是CNN的神经元连接图。从输入层-->隐藏层-->输出层。

RNN更加关注时间维度上的信息。此时的隐藏状态是黄色部分

有了记忆力的RNN可以根据隐藏层状态推出出苹果不是水果，而是手机。

关于2D图怎么看：

蓝色的球就是隐藏层，红色的是输入，最后右边那个不知道什么颜色的球就是输出

黄色的线就是Ws*St-1的那个Ws

把上面旋转90°就变成这样的。横轴为时间。

为了解决这些问题，出现了一些RNN的变体，如长短期记忆网络（LSTM）和门控循环单元（GRU）。这些变体通过引入门控机制，能够更好地处理长期依赖关系，并在许多任务中取得了显著的性能提升。

LSTM

LSTM（长短期记忆网络）是一种循环神经网络（RNN）的变体，专门设计用于解决传统RNN中的梯度消失和长期依赖问题。它通过引入门控机制，能够更好地处理和捕捉序列中的长期依赖关系。

LSTM的关键思想是引入了称为“门”的结构，它能够控制信息的流动和存储。一个标准的LSTM单元包含以下组件：

1. 输入门（Input Gate）：决定是否将新的输入信息纳入到记忆中的门控单元。

2. 遗忘门（Forget Gate）：决定是否从记忆中删除某些信息的门控单元。

3. 输出门（Output Gate）：根据当前输入和记忆状态，决定输出的门控单元。

4. 记忆单元（Cell State）：负责存储和传递信息的长期记忆。

5. sigmoid实现，把值map到[0,1]， =1增加到长期记忆C里面，=0删除（举例）

S：短期记忆链条

C: 长期记忆链条

注意sigmoid是在当前输入Xt和上一时刻隐藏状态St-1（上一时刻的短期记忆）里面来决定删除（遗忘门）不重要的信息，重要的信息添加（输入门）到Ct长期记忆里面，并且把Ct-1的信息归并到Ct

1. sigmoid 用在了各种gate上，产生0~1之间的值，这个一般只有sigmoid最直接了。
2. tanh 用在了状态和输出上，是对数据的处理，使用tanh函数，是因为其输出在-1-1之间，这与大多数场景下特征分布是0中心的吻合。此外，tanh函数在输入为0近相比 Sigmoid函数有更大的梯度，通常使模型收敛更快。

2.mamba

2312.00752.pdf (arxiv.org)

本文是基于前人的状态空间模型做出优化，提出选择性状态空间模型的算法。

State Space Models

找到个写的不错的blog：https://blog.csdn.net/weixin_4528312/article/details/134829021

RNN和SSM的本质一样。

(（输入x * wB + wA * 上一时刻状态） * wC) + wD*输入x = OUTPUT

可以看出这个一个递归函数，进行公式推导:

H4 = A*H3 + B*X4

H3 = A*H2 + B *X3

H2 = A*H1 + B * x2

那么：

H4 = A*H3 + B*X4=A*(A*H2 + B *X3) + B*X4 = A^2*H2 + AB*X3 +B*X4

    = A^2(A*H1 + B * x2)+AB*X3 +B*X4 = A^3*H1 +A^2B*X2 +AB*X3 +B*X4

上面的式子表明：

H4 = F(H3,X4) = F(H2,X3,X4) =F(H1,X2,X3,X4)

那么

H3 = F(H2,X3) = F(H1,X2,X3)

也就是说：H3的计算是可以和H2无关的，只需要知道H1,X2,X3即可，同时H4的计算也是可以独立于H3，只需要知道H1,X2,X3,X4即可，这也是后面并行计算的关键

同理：

Y4 = CH4

Y3 = CH3

Y2 = CH2

Y1 =CH1

Y4 = C( A^3*H1 +A^2B*X2 +AB*X3 +B*X4)

使用卷积的原因，RNN没法并行训练，卷积可以，所以使用conv1D卷积进行。

为什么可以使用卷积等价计算？

但是为什么推理又使用RNN?

因为RNN推理速度更快。

训练CNN（可并行），推理RNN(速度快)

RNN的通病是只有短期记忆，如何解决--HiPPO！！

对信息的压缩方法。

Selective State Space Models

SB决定输入词的权重，SC决定Ht的权重（Ht保护过去信息Ht-1和输入Xt）

传统B，输入的所有词的权重是一样的：

SB决定输入信息中每个词的权重：

简单点说，RNN推理快但训练慢，且会遗忘以前的信息，SSM压缩以前的信息可以记住所有，但是矩阵参数固定，无法针对输入做针对性推理。mamba选择性的关注以前的信息，参数化ssm的输入，（不停总结以前的信息）。这样既可以记住以前的重要信息，又内存占用不大，推理快

总结：因为SSM和RNN几乎等价：

都是：

Ht = A * Ht-1 + B *Xt

y = C * Ht

mamba核心就是在此基础上把B,C改成SB,SC可以选择性给信息加权，然后输入信息关注重点，让过去信息保留重要的部分，从而解决遗忘和短期记忆问题。并且可以并行计算。

参考：

https://www.bilibili.com/video/BV1z5411f7Bm/?spm_id_from=333.337.search-card.all.click&vd_source=3aec03706e264c240796359c1c4d7ddc

https://blog.csdn.net/weixin_4528312/article/details/134829021