序列数据的特点

序列数据展现出独特属性，这些属性使其有别于简单机器学习 (machine learning)模型中常假定的独立数据点。这些独有特性要求特殊处理，理解它们对于认识到循环神经网络 (neural network) (RNN) 等架构的必要性和有效性具有主要作用。

顺序的重要性

也许序列数据最主要的特点是元素顺序有重要影响。不同于描述房屋的特征集合（其中您列出平方英尺、卧室数量和位置的顺序不会改变房屋本身），改变序列中的顺序通常会极大改变其含义或所代表的模式。

思考以下两句话：

1. "The cat chased the mouse."
2. "The mouse chased the cat."

词语相同，但顺序传达出完全不同的情况。同样，打乱股票每日价格会使数据变得无用，无法预测未来走势，因为时间上的演进关系丢失了。标准前馈神经网络 (neural network)在处理输入时不考虑它们在序列中的位置，因此天生难以处理这一特性。它们缺少理解的机制，即 $t$ 时刻的输入应结合 $t-1$、$t-2$ 等时刻的输入来理解。

时间上的关联性

与顺序密切相关的一个特点是时间上的关联性。这意味着序列中的元素通常相互关联或依赖于它们之前（有时也包括之后）的元素。这些关联的强度和范围有很大不同。

• 短期关联： 在语言中，相邻词之间的语法一致性（如“the cat sits”）是一种短期关联。当前词强烈依赖于紧接前一个词。
• 长期关联： 思考这句话：“The report on machine learning trends, which was published last month after extensive research across multiple industries, highlights the growing adoption of sequence models.” 动词“highlights”依赖于主语“report”，而主语在句中出现得早得多。捕捉此类长期关联是一个重要的难题。在时刻 $t$ 预测或理解一个元素所需的信息可能在许多步之前就已经出现。

简单RNN，如我们稍后将看到，难以在很长的序列上保持信息，这个问题常被称为梯度消失问题。这种学习长期关联的困难促使了LSTM和GRU等更先进架构的发展。

这是一个展现时间关联性的时间序列简单示意图。任何给定点的值似乎与其之前的值有关联。

一个序列，其中每个点的值似乎受到前一个点的影响。

长度可变

不同于每个样本通常具有固定数量特征（例如表格中的列）的结构化数据集，序列通常具有可变长度。句子可长可短，时间序列测量可能覆盖不同时长，音频片段长度不一。

这给机器学习 (machine learning)模型带来了实际挑战，尤其是在批量处理数据时。标准深度学习 (deep learning)框架通常期望批次内的输入张量形状一致。如果您有长度分别为5、10和7的序列，如何有效地将它们组合起来，以便在GPU上进行并行处理？

解决此问题常用的方法有：

• 填充： 较短的序列用特殊的“填充”值（通常为零）进行扩充，直到它们达到批次中最长序列的长度。
• 掩码： 模型被告知输入中哪些部分是实际数据，哪些是填充，确保填充值不会不当地影响计算（尤其是在训练期间）。

我们将在第8章讨论数据准备时详细介绍这些方法。

顺序的重要性、时间关联性和长度可变性这三个特点是理解序列数据的核心所在。它们要求模型能够逐步处理输入，在各个时间步之间保持记忆（状态），并妥善处理不同的序列长度。这为在下一章引入循环神经网络 (neural network) (RNN)做好了充分准备。