第3章深度学习入门

3、深度学习入门：CNN、RNN、Transformer，产品经理该懂多少？

说实话，每次面试产品经理候选人，我最爱问这个问题。

「你了解深度学习吗？」

很多人会背概念。但一问到「这三个模型到底解决什么问题」，就卡住了。

今天我用最直白的方式，把CNN、RNN、Transformer讲清楚。你不需要会写代码，但得知道它们各自擅长什么、不擅长什么。

CNN的全称是卷积神经网络。名字听着吓人，但本质很简单——它就是个「特征扫描仪」。

我举个例子。你给模型一张猫的照片。CNN会怎么做？

说白了，CNN就是一层层往上抽象。每一层都在问：「我看到了什么特征？」

产品经理要记住的核心：CNN最擅长处理「有空间结构」的数据。图片、视频帧、甚至某些结构化表格数据，都适合用CNN。

我在项目中遇到过一件事。有个团队想用CNN做文本分类，效果很差。为什么？因为文本是序列数据，不是空间数据。你硬把一句话当成图片去扫，当然不行。

避坑指南：我曾经见过一个AI产品，非要用CNN做语音识别。结果准确率惨不忍睹。记住，CNN不是万能的。它只对「局部特征明显、空间关系重要」的场景有效。

RNN，循环神经网络。它的设计哲学很朴素——「记住之前发生了什么」。

你想想看，我们读一句话的时候，是不是得记住前面的词？比如「我今天吃了苹果，它很甜」。这里的「它」指代的是「苹果」。RNN就是干这个的。

RNN的核心机制是「隐藏状态」。简单说，就是模型内部有个小本本，每处理一个词，就把关键信息记下来，传给下一个词。

# 伪代码示意
隐藏状态 = 初始值
for 每个词 in 句子:
    隐藏状态 = 更新(隐藏状态, 当前词)
    输出 = 预测(隐藏状态)

但RNN有个致命问题——记不住太久远的事情。你想想看，如果一句话有100个词，读到第100个时，第1个词的信息早就被稀释没了。这就是「长距离依赖」问题。

注意：RNN的变体LSTM和GRU就是为了解决这个问题。它们加了「门控机制」，像水闸一样控制信息该记住还是该忘掉。但即便如此，处理超长序列还是很吃力。

我记得有一次做智能客服项目。用户问了一个很长的上下文问题，RNN模型完全答非所问。后来换成Transformer，效果立竿见影。嗯，这里要注意——如果你的场景涉及「长文本理解」，RNN可能不是最佳选择。

Transformer的出现，彻底改变了深度学习格局。2017年Google那篇「Attention Is All You Need」论文，我读了三遍才完全吃透。

它的核心思想就一句话：让模型自己决定「该关注哪里」。

举个例子。你读「小明在公园里追狗，它跑得很快」。这里的「它」是狗还是小明？人类一眼就能判断。但传统RNN需要一步步推理。Transformer用「自注意力机制」，一步到位——直接计算每个词和其他所有词的相关性。

模型	核心机制	擅长场景	不擅长场景
CNN	卷积核扫描	图像、视频、空间数据	序列数据、长文本
RNN	循环状态传递	短文本、时间序列	长文本、并行计算
Transformer	自注意力机制	长文本、翻译、多模态	小数据集、实时推理

Transformer最大的优势是什么？并行计算。RNN必须一个一个词处理，Transformer可以同时处理所有词。这就好比流水线作业和并行工厂的区别——效率天差地别。

产品经理必知：现在几乎所有主流大模型（GPT、BERT、T5）都基于Transformer架构。如果你在做NLP相关的产品，选Transformer基本不会错。

但Transformer也不是没有缺点。它计算量巨大，训练成本高。我见过一个小团队，想用Transformer做实时语音识别，结果延迟高得离谱。后来换成轻量级CNN+RNN混合方案，才解决问题。

我建议你记住这个决策框架：

我的个人习惯：做技术选型时，先问三个问题——「数据长什么样？」「延迟要求多少？」「预算多少？」。答案清楚了，模型自然就定了。

最后说一句。深度学习模型迭代很快，但底层逻辑没变。你只要抓住「空间特征用CNN，时序依赖用RNN，长序列用Transformer」这个核心，就能应付大多数场景。

至于更深的数学原理？嗯，交给算法工程师去操心吧。产品经理要做的，是知道「什么场景该用什么药」。