图解神经网络架构从 MLP 到 Transformer 与 Mamba

Thu, 15 Oct 2026 00:00:00 +0800

“小明把杯子放在桌上，过了一会儿，又把它拿走了。”读到“它”时，我们会自然地联系前面的“杯子”。对模型来说，这个联系需要通过具体的计算建立：前面的信息放在哪里？当前的位置怎样找到它？如果两者之间隔着几千个词，还能不能找到？

MLP、CNN、RNN、Transformer 和 Mamba，给出了不同的信息处理方式。有的让相邻层全面连接，有的优先利用局部结构，有的把历史压缩成状态，还有的让不同位置直接交互。

Transformer 成为主流的一个关键原因，是它把灵活的长距离交互与高效的并行训练结合起来。 代价也很直接：当上下文变长，广泛的信息交互会消耗更多计算资源。Mamba 和混合架构则从历史信息的保存方式入手，寻找另一种取舍。

本文沿着修饼 xiubing 的神经网络架构视频展开，结合原论文补充关键边界。文中 8 张插图均为该视频的原始截图，每张图都附有回看时间。图中的数值、图标和连线用于解释机制，不代表真实模型的完整结构或实际测量结果。

从一个计算节点理解神经网络

文字、图片、声音进入模型以后，需要先被表示成数字。一个简单的神经网络节点，接收一组输入，将它们分别乘以权重、加上偏置，再经过非线性变换，输出新的数值。

可以把这一步理解为：

`1`	`输入数字 → 加权求和与偏置 → 非线性变换 → 输出数字`

权重决定不同输入怎样影响结果，训练负责调整这些参数。大量节点组成一层，多层继续变换信息，最后产生分类、预测或生成所需的输出。

计算节点如何连接，决定了信息能从哪里来、经过哪些步骤、以什么形式保留下来。这正是理解架构的入口。

MLP 让相邻层全面连接

多层感知机 MLP 的典型结构，是把多个全连接层叠起来。下一层的每个节点，都可以读取上一层的全部输出。

图 1：MLP 的全连接结构。相邻层中的节点通过带权重的连接传递信息。来源：修饼 xiubing，02:16。

这种结构简单、通用，但连接数量增长得很快。假设相邻两层各有 1,000 个节点，就需要 1,000 × 1,000，也就是 100 万个连接权重，还没有算偏置。

面对图片时，另一个问题出现了：像素并不是任意排列的一串数字。相邻像素常常共同构成边缘、纹理和局部形状；同一种形状也可能出现在图片的不同位置。把整张图展平成向量后交给全连接网络，这些空间规律需要网络自行学会。

如果直接把这些规律放进连接方式里，就可以更有针对性地处理图片。

CNN 把空间规律放进网络

卷积神经网络 CNN 的两个关键设计是局部连接和权重共享。

每个位置先处理附近的信息

以一个 3×3 卷积窗口为例，一个输出位置先关注输入中的一小块邻域。窗口移动到别的位置，就计算那个位置的局部特征。许多局部计算共同形成整张特征图。

图 2：单个计算位置读取局部邻域，整层输出仍能覆盖整张图片。来源：修饼 xiubing，03:26。

识别杯子时，前面的层可以提取边缘或颜色变化，后面的层继续组合局部形状，再形成更大范围的特征。随着网络加深，一个输出能够受到更大范围输入的影响，这个范围通常称为感受野。

“边缘到形状再到物体”是帮助理解的示意。真实网络的各层特征由训练形成，不需要人为指定某一层只能识别杯把，另一层只能识别杯口。

同一个卷积核可以用于不同位置

假如某组参数能够检测竖直边缘，那么它在左上角有用，在中间和右下角也可能有用。CNN 让同一个卷积核在不同空间位置重复使用，从而减少需要独立学习的参数。

图 3：三个位置共享权重 A，但输入不同，因此分别计算并得到各自的输出。来源：修饼 xiubing，04:06。

这里共享的是同一个卷积核的参数，各位置仍然需要计算。一个卷积层也可以包含多个不同的卷积核，学习不同的特征；不能把权重共享理解成整层只能使用一套参数。Stanford CS231n 卷积网络讲义

CNN 把图片的局部性和空间复用规律纳入了架构。换成文本以后，另一个问题会更加突出：如何让后面的输入知道前面发生了什么？

RNN 用一个状态传递历史

回到开头的句子。模型处理“它”时，必须获得此前关于“杯子”的信息。

循环神经网络 RNN 的做法，是按顺序处理输入。每一步同时接收当前输入和上一时刻的隐藏状态，计算出新的状态，再传给下一步。隐藏状态是一组数字，用来承载模型从历史输入中保留的信息。

图 4：RNN 不断结合当前输入与历史记录，生成新的状态。来源：修饼 xiubing，05:42。

这个过程像一张不断改写的纸条：读入新内容，更新纸条，再带着它继续阅读。只要需要的信息保留在状态里，后面的位置就有机会使用它。

困难在于，一篇很长的文章会让这张纸条经历很多次改写。第 3,000 个位置需要第 10 个位置的细节时，普通 RNN 依靠的是前面不断更新的状态，无法直接跳回原来那个位置读取表示。长距离依赖因此更难学习和保留。

同时，后一步的状态依赖前一步。这限制了单条序列沿时间方向的并行计算。不同样本等维度仍然可以并行，问题主要在于这条递推链本身。Transformer 原论文 §1

这就引出了一个想法：如果当前输入需要很远以前的信息，能否直接建立联系？

Transformer 用注意力建立直接联系

Transformer 的核心机制之一是自注意力。它让一个位置根据当前内容，计算与其他可访问位置的关联，并把这些位置的信息按不同权重组合起来。

在“它”的例子里，“杯子”可能获得更大的权重，“小明”和“桌上”的权重较小。这样，“它”的表示就能够融入相关上下文。

图 5：图中的 0.7、0.2、0.1 是教学假设，用来说明加权组合。它们不是固定的词语关系，也不是经过测量的指代概率。来源：修饼 xiubing，07:20。

图中按中文词语解释流程。实际文本模型通常处理 token，它可能是一个字、词的一部分或其他文本片段。

注意力权重会随输入改变

理解自注意力时，很容易混淆两种“权重”。

一类是模型参数，例如把输入表示变换成 Query、Key、Value，也就是 Q、K、V 的投影矩阵。这些参数由训练学得。另一类是当前计算产生的注意力权重：模型比较 Q 和 K，再用得到的权重组合 V。

因此，同一个词出现在不同句子里，可以关注不同的信息。这种变化发生在计算结果上，通常不意味着模型在每次回答时都重新训练了参数。Transformer 原论文 §3.2

长距离交互与并行训练可以兼得

自注意力让距离较远的位置有了直接的信息通路。给定整段训练序列后，许多位置的相关计算也能一起组织成矩阵运算，适合 GPU 大规模处理，减少了普通 RNN 在序列方向上逐步等待的限制。

训练自回归语言模型时，causal mask 会限制每个位置访问未来的输入位置。并行计算所有训练位置，不代表允许模型偷看答案。 自回归生成时，新 token 仍然依赖已经生成的内容，输出通常还要逐步推进。Transformer 原论文 §3.1

这种灵活的信息交互方式，可以在输入经过适当表示后用于文字、图像、声音等不同模态。长距离建模能力、并行训练效率，加上长期积累的训练方法与硬件实现，共同构成了 Transformer 的优势。

广泛的信息交互也有成本

标准全自注意力要考虑位置之间的大量配对。当序列长度从 1,000 增长到 10,000，位置对的数量会从约 100 万增长到约 1 亿。

原论文将标准自注意力每层的主要计算复杂度写为 O(n²d)，其中 n 是序列长度，d 是表示维度。这个式子描述特定计算部分，不能直接当作整个模型耗时，或所有注意力实现的显存公式。Transformer 原论文 §4

长上下文让一个问题变得更有吸引力：能否用较小的状态，保留后续真正需要的信息，减少反复进行大范围注意力计算的开销？

Mamba 让状态更新具有选择性

Mamba 属于选择性状态空间模型，也就是 selective SSM 路线。它一边处理输入，一边更新内部状态。已经处理过的信息，通过状态影响后续计算。

它与 RNN 都有递推状态，但 Mamba 使用了特定的状态空间结构。关键之处在于，部分状态空间参数会随当前输入变化，从而控制信息怎样写入、保留和读出。

图 6：当前输入经过学得的变换，影响状态的保留与写入方式。图中的人物、杯子和数值是便于理解的示意。来源：修饼 xiubing，09:34。

可以把这种选择性理解为：不同输入以不同方式影响状态。它由训练学得，不是人为给每个词写一条“重要就保留”的判断规则。

Mamba 还针对这类结构设计了硬件优化的 parallel scan，也就是并行扫描算法，用来高效计算整段序列。保留递推状态的表达方式，并不要求训练时完全按照普通 RNN 的执行方式逐个等待。Mamba 原论文 §3

对于给定的模型结构，状态的规模不必随着已处理序列的长度持续增长。这使它能够避免标准全注意力的全部位置两两交互，提供高效处理长序列的另一条路线。

压缩历史与直接访问之间的取舍

保存一份状态能够降低成本，但状态需要承载哪些细节，是模型必须解决的问题。

Attention 可以从仍在可访问范围内的位置表示中获取信息；状态模型则依赖已经写入状态的内容。两者对精确检索、上下文长度、计算资源的取舍并不相同。

图 7：左侧直接关联保留的位置表示，右侧从压缩状态中利用历史线索。来源：修饼 xiubing，10:18。

这并不意味着 Mamba 必然忘记远处的信息，也不意味着 Attention 能无误找回所有细节。更有用的比较方式，是看具体任务需要什么：持续处理长数据流，还是精确关联分散在上下文里的细节？允许多少内存和计算成本？

混合架构把不同机制放在一起

一种自然的设计，是在同一个模型中组合不同模块。部分层使用状态空间结构，部分层使用注意力，再配合前馈网络处理特征。

图 8：Mamba-2、MLP 和 Attention 可以组成一个混合模型。图中是结构示意，不对应所有模型的固定层数或比例。来源：修饼 xiubing，10:33。

视频提到的 NVIDIA Nemotron-H 就是一个实例。NVIDIA 的官方介绍说明，它采用 Mamba-2、Self-Attention 和 MLP 的混合结构。这说的是模型模块的组合，并不表示每个 token 都会临时在几种架构之间切换。NVIDIA Nemotron-H 官方介绍

MLP、CNN、RNN、Transformer、Mamba 也因此不能简单排列成一条淘汰链。原始 Transformer 内部本来就包含逐位置前馈网络；不同结构可以继续在各自适合的任务或更大模型中发挥作用。Transformer 原论文 §3.3

用信息处理方式比较架构

架构	信息怎样组织	主要收益与取舍
MLP	相邻层全连接	通用；宽层之间的参数量容易变大
CNN	局部邻域计算，同一卷积核跨位置复用	利用空间规律；需要逐层扩大信息覆盖范围
RNN	当前输入与历史状态递推	适合顺序处理；长距离依赖和时间方向并行受限
Transformer	注意力直接关联可访问的位置	交互灵活、训练易并行；标准全注意力的长序列成本高
Mamba	用输入相关的规则更新状态	长序列处理高效；需要在有限状态中保留有用细节

以后遇到一种新架构，可以先看四件事：一个位置能连接哪些信息，历史是逐位置保留还是压缩保存，调用远处信息需要经过几步，以及这些设计怎样影响计算量和并行效率。

带着这些问题再读架构名称和性能指标，才容易看清它解决了什么问题，以及代价落在了哪里。

神经网络 on Ricardo

图解神经网络架构 从 MLP 到 Transformer 与 Mamba