在NLP上，CNN、RNN（认为LSTM等变体也是RNN）、最简单全连结MLP，三者相比，各有何优劣?

在自然语言处理（NLP）领域，CNN（卷积神经网络）、RNN（循环神经网络，包括LSTM、GRU等变体）和最简单的全连接多层感知机（MLP）是三种非常基础且重要的模型结构。它们在处理文本数据时各有优势和劣势，理解这些差异对于选择合适的模型至关重要。

下面我将详细地阐述这三者在NLP上的优劣：

1. 最简单全连接多层感知机 (MLP)

工作原理简述:

MLP是一种最基本的神经网络结构。它由输入层、一个或多个隐藏层和输出层组成，所有层之间都是全连接的，即上一层的每个神经元都连接到下一层的每个神经元。在NLP任务中，通常需要将文本首先转换为固定长度的向量表示（例如，通过词袋模型、TFIDF，或更现代的词嵌入如Word2Vec、GloVe等）。然后，这些向量被输入到MLP中进行处理和分类/回归。

优劣分析:

优势:

简单易懂，易于实现: MLP的结构非常直观，模型参数相对较少（尤其是在隐藏层数量和节点数有限的情况下），容易理解其工作原理，也方便实现和调试。
全局特征提取能力: 在某些情况下，如果输入的是一个固定长度且包含大量全局信息的文本表示（例如，整个文档的词嵌入平均值或TFIDF向量），MLP可以捕捉到这些特征之间的非线性关系。
可以作为其他模型的基线: 对于一些新的、更复杂的NLP模型，MLP常常被用作一个简单的基线模型，用来衡量新模型的性能提升是否显著。

劣势:

忽略了文本的序列性: 这是MLP在NLP中最核心的劣势。文本数据具有内在的顺序性，词语的顺序和上下文关系至关重要。MLP将文本视为一个“大向量”，丢失了词语之间的相对位置信息和依赖关系。例如，“我爱你”和“你爱我”在词袋模型表示上可能非常相似，但MLP难以区分它们细微的语义差异。
无法处理变长输入: 标准的MLP需要固定大小的输入向量。对于不同长度的句子或文档，需要进行填充（padding）或截断（truncation），这可能导致信息丢失或引入不必要的噪声。
特征稀疏性和维度灾难: 如果使用Onehot编码或词袋模型，输入向量的维度会非常高且稀疏，这可能导致训练困难和过拟合。即使使用词嵌入，将整个句子或文档映射到一个固定大小的向量也可能丢失大量局部信息。
缺乏局部感受野: 与CNN不同，MLP的连接是全局的。它无法有效地捕捉到文本中的局部模式和短语结构，例如“not good”这样的否定短语。

适用场景:

简单的文本分类任务，当文本长度相对固定且对词序依赖性不强时。
作为其他更复杂模型的基线。
在已经将文本信息高度抽象成固定长度特征向量的情况下。



2. 卷积神经网络 (CNN)

工作原理简述:

CNN最初在图像处理领域取得了巨大成功，其核心思想是使用卷积核（filters）在输入数据上滑动，提取局部特征。在NLP中，卷积核也被应用于词嵌入序列上。一个卷积核可以扫描输入句子中的n个连续词语（通常称为ngram），提取出该ngram的特征表示。通过使用不同大小的卷积核（如2gram、3gram、4gram等），CNN可以捕捉到不同长度的词语组合模式。

卷积层之后通常会接池化层（pooling layer），最常见的是最大池化（maxpooling）。池化层的作用是保留每个卷积核提取到的最显著的特征，并降低特征的维度，使其对输入文本中的微小位置变化不那么敏感。最后，将所有池化层的输出连接起来，输入到一个全连接层进行分类或回归。

优劣分析:

优势:

擅长捕捉局部特征和短语模式: CNN的卷积核能够像扫描仪一样，在文本中捕捉到连续的词语组合（ngram）所形成的局部模式。这对于识别短语、语法结构和具有特定意义的词语组合非常有效，例如：“不 错” (not bad), “非常 喜欢” (really like)。
对位置不敏感（在一定程度上）: 池化层的使用使得CNN对特征在句子中的具体位置不那么敏感。一旦一个有意义的ngram被检测到，无论它出现在句子的开头、中间还是结尾，最大池化都能将其特征提取出来。这有助于模型学习到“短语”本身的重要性，而不是其精确位置。
参数共享，效率高: 同一个卷积核在输入文本的不同位置都会被重复使用（参数共享）。这大大减少了模型的参数数量，使得模型训练更高效，并且不易过拟合。
并行计算能力强: CNN的卷积操作可以高度并行化，这使得它在GPU等硬件上训练速度较快。

劣势:

难以捕捉长距离依赖关系: CNN通常只捕捉到固定大小的局部特征（由卷积核的大小决定）。如果两个重要的词语在句子中相距很远，并且中间隔着很多其他词语，那么标准CNN可能难以直接捕捉到它们之间的关联。虽然可以通过堆叠更多的卷积层或使用更大的感受野来缓解，但效果不如RNN。
对序列顺序信息的利用有限: 虽然CNN通过ngram捕捉了局部顺序，但它不像RNN那样显式地建模整个序列的逐步依赖性。例如，一个句子中某个词的含义可能高度依赖于它前面的所有词。
需要预定义卷积核大小: 需要根据经验或实验来选择合适的卷积核大小（如2, 3, 4, 5gram）。

适用场景:

文本分类任务（情感分析、主题分类等）。
句子建模，捕捉短语和局部模式。
文本摘要、机器翻译（作为特征提取器）等。
当文本中的局部模式比长距离依赖关系更重要时。



3. 循环神经网络 (RNN)

工作原理简述:

RNN的核心在于其循环结构。它有一个隐藏状态（hidden state），这个隐藏状态在处理序列的每个时间步（step）时都会被更新，并且会传递到下一个时间步。这意味着RNN在处理每个词时，都会“记住”之前看到的信息。这种“记忆”能力使其非常适合处理序列数据，因为词语的含义往往依赖于它们在序列中的上下文。

基础RNN: 在每个时间步t，RNN接收当前输入x_t和上一个时间步的隐藏状态h_{t1}，然后输出当前时间步的输出y_t和一个新的隐藏状态h_t。
LSTM (Long ShortTerm Memory) 和 GRU (Gated Recurrent Unit): 这些是RNN的改进变体，旨在解决基础RNN在处理长序列时容易出现的梯度消失或梯度爆炸问题，从而更好地捕捉长距离依赖关系。它们通过引入“门控”机制（input gate, forget gate, output gate等）来更精细地控制信息的流动和记忆。

优劣分析:

优势:

擅长捕捉序列的依赖关系: RNN最大的优势在于其能够处理序列数据，并能够学习到词语之间的顺序关系和长距离依赖。每个词的表示都包含了之前所有词的信息（理论上），这使得模型能够理解上下文。
处理变长输入的能力: RNN可以自然地处理变长序列，因为它们是按时间步顺序处理数据的，不需要预先将序列填充到固定长度（尽管在实际实现中为了批量处理可能需要）。
信息传递的连续性: 隐藏状态的传递使得信息在序列中得以连续流动，这对于理解复杂语句和上下文至关重要。
模型结构灵活: 可以堆叠多层RNN来增加模型的深度，或者双向使用RNN来同时考虑过去和未来的上下文。

劣势:

梯度消失/爆炸问题 (基础RNN): 基础RNN在处理长序列时，由于重复的链式求导，梯度容易在反向传播过程中变得非常小（消失）或非常大（爆炸），导致模型难以学习到长距离依赖。LSTM和GRU在很大程度上缓解了这个问题，但并非完全消除。
计算效率较低，难以并行化: RNN按时间步顺序处理数据，每个时间步的计算依赖于前一个时间步的隐藏状态。这使得其计算过程难以完全并行化，训练速度通常比CNN慢。
对局部特征捕捉不如CNN直接: 虽然RNN能够捕捉局部信息，但它不像CNN那样通过卷积核那样“显式”地提取固定大小的模式。有时，对于捕捉短语和固定模式，CNN可能更直接有效。
长期记忆仍然有限: 尽管LSTM和GRU有所改善，但对于非常非常长的序列，它们仍然可能难以保持精确的长距离信息。

适用场景:

机器翻译（序列到序列模型）。
语言模型（预测下一个词）。
语音识别。
文本生成。
情感分析（尤其是需要理解复杂上下文的任务）。
命名实体识别、词性标注等序列标注任务。
当文本的顺序性和长距离依赖性是关键时。



三者比较总结表

| 特征 | MLP (全连接) | CNN (卷积) | RNN (循环, 含LSTM/GRU) |
| : | : | : | : |
| 核心能力 | 全局特征的非线性组合 | 局部特征、ngram模式的提取 | 序列依赖关系、长距离上下文的建模 |
| 序列性处理 | 差 (丢失顺序信息) | 中等 (捕捉局部序列，如ngram) | 优 (显式建模序列顺序和依赖) |
| 长距离依赖 | 差 | 差 (受限于卷积核大小) | 好 (尤其是LSTM/GRU) |
| 局部模式提取 | 差 | 优 | 中等 (通过隐藏状态传递，但不如CNN直接) |
| 处理变长输入 | 差 (需填充/截断) | 中等 (可处理变长输入，但需注意池化操作) | 优 (自然处理变长序列) |
| 计算效率 | 高 (若输入固定且小) | 高 (易于并行化) | 低 (难以并行化，顺序计算) |
| 参数共享 | 否 (除隐藏层内部) | 是 (卷积核在不同位置共享) | 是 (在时间步之间共享参数) |
| 主要优点 | 简单易懂，全局组合能力 | 捕捉局部模式快且有效 | 理解序列上下文，处理长距离依赖 |
| 主要缺点 | 忽略序列性，难以处理长距离依赖 | 难捕捉长距离依赖，对词序敏感度不高 | 计算慢，易梯度消失/爆炸 (基础RNN) |
| 典型应用 | 简单分类，作为基线 | 文本分类，短语识别 | 机器翻译，语言模型，文本生成，序列标注 |

总结来说:

MLP 是最基础的模型，它将文本视为一个整体的特征向量，忽略了序列性和局部模式，适用于非常简单的任务或作为基线。
CNN 擅长从文本中提取局部特征和短语，对于需要识别特定模式的文本分类任务非常有效，但对长距离依赖的处理能力有限。
RNN (特别是LSTM和GRU) 是处理序列数据的强大工具，它们能够有效地捕捉词语之间的顺序关系和长距离依赖，是构建复杂NLP模型（如机器翻译、语言模型）的基石。

在实际的NLP应用中，往往会将这些模型进行组合（例如，CNNLSTM模型），以充分发挥各自的优势。例如，先用CNN提取文本的局部特征，然后将这些特征输入到LSTM中进行序列建模。

网友意见

MLP咱们就不说了，显然这个是要垫底的，在此不做讨论。MLP可以被视作一个分类器，单纯用它的话当然不如采用CNN/LSTM做特征提取／句子表示的方法来的好。

我们可以先来看几种典型的架构。

首先是最经典的Richard Socher和Andrew Ng的这篇Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank : https://nlp.stanford.edu/~socherr/EMNLP2013_RNTN.pdf

这是一个RNN的结构，当时出来的时候刷新了Sentiment Analysis的STOA成绩好几个点，引起了轰动（到现在Stanford CS224d/n DL4NLP的课，标题上的图还是用的这一篇，可见其经典地位）

其次是CNN+Dynamic Pooling。最近有一篇极好的review paper: Deep Learning applied to NLP: https://arxiv.org/pdf/1703.03091.pdf

再其次是CNN+LSTM。比如这一篇C-LSTM：A C-LSTM Neural Network for Text Classification : https://arxiv.org/pdf/1511.08630.pdf

大致思路是先使用CNN网络做局部特征提取／denoising，再用LSTM提取contextual dependencies。在这里，不采用Maxpooling：LSTM会以更优化的方式将句子不同部位的特征做一个非线性的组合。

最后一种，是将CNN当成RNN来用（有点像wavenet）：Language Modeling with Gated Convolutional Networks: http://david.grangier.info/papers/2016/dauphin-lm-2016.pdf

值得一提的是，现在有趋势(这个主要是针对英文)直接使用char-cnn来做word embedding，比如MIT media lab的这一篇Tweet2Vec: Learning Tweet Embeddings Using Character-level CNN-LSTM Encoder-Decoder: http://soroush.mit.edu/publications/tweet2vec_vvr.pdf

另外，我们做这么多的工作其实就是为了从词的语义表示做到句子的语义表示。从这个角度来说，也有大量的非监督的方法来做sentence embedding，最后将这个embedding放进一个分类器即可。其中最有代表性的就是这两篇：skip-thought vector: https://arxiv.org/pdf/1506.06726.pdf

以及A Simple but Tough-to-Beat Baseline for Sentence Embeddings （ICLR’17）: https://openreview.net/pdf?id=SyK00v5xx

OpenAI在前一段时间也发了一篇通过非监督的学习句子embedding发现”sentiment neuron”的文章，也挺有意思的：Unsupervised Sentiment Neuron: https://blog.openai.com/unsupervised-sentiment-neuron/； Learning to Generate Reviews and Discovering Sentiment :https://arxiv.org/abs/1704.01444

具体到任务来说：

情感分析的话，虽然最初是用RNN取得的突破，但目前CNN的效果就很好，LSTM做的话也是可以做到接近的程度但是会比CNN慢不少。直觉上，CNN主要是做了局部特征的提取，类似n-gram。一般而言在情感分析的任务中，带有显著情感极性的词组会对结果有比较关键的影响，所以CNN网络可以很好地工作。（具体文章上面已经有贴）

关系抽取的话，一般还是RNN工作地比较好，因为涉及到高阶的依赖关系，比如：End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures: https://arxiv.org/pdf/1601.00770.pdf

当然，CNN依然是很有力的：Relation Extraction: Perspective from Convolutional Neural Networks :http://www.cs.nyu.edu/~thien/pubs/vector15.pdf

实体识别：这是一个典型的序列标注问题，用LSTM (Bidirectional LSTM for Named Entity Recognition in Twitter Messages: https://noisy-text.github.io/2016/pdf/WNUT20.pdf) /LSTM+CRF (End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF: https://arxiv.org/pdf/1603.01354.pdf) 是非常符合直觉的方法，当然也不乏有混用LSTM和CNN的（Named Entity Recognition with Bidirectional LSTM-CNNs: https://arxiv.org/pdf/1511.08308.pdf）

我们最后提一下多任务框架，这是一个很有力地解决NLP的多重任务之间互相依赖的方法。A Joint Many-Task Model: Growing a Neural Network for Multiple NLP Tasks: https://arxiv.org/pdf/1611.01587.pdf

一个model搞定大多数的NLP任务，再也不用东拼西凑一堆模型啦！神清气爽，有一种强迫症被治愈的感觉。

归根结底，现在深度学习应用到NLP上有非常多的手段，不过如您所知，all models are wrong, some are useful — 根据语言、数据集和任务的特点灵活运用才是关键，有时候调参一些小细节反而是比大的结构框架选择还重要的。在此祝您炼丹愉快！

本回答来自Emotibot机器学习科学家马永宁。

类似的话题

• 

  在NLP上，CNN、RNN（认为LSTM等变体也是RNN）、最简单全连结MLP，三者相比，各有何优劣?

  

  在自然语言处理（NLP）领域，CNN（卷积神经网络）、RNN（循环神经网络，包括LSTM、GRU等变体）和最简单的全连接多层感知机（MLP）是三种非常基础且重要的模型结构。它们在处理文本数据时各有优势和劣势，理解这些差异对于选择合适的模型至关重要。下面我将详细地阐述这三者在NLP上的优劣： 1. 最.............
• 

  如何评价Google最新提出的gMLP：MLP模型在CV和NLP任务上均取得较好的效果？

  

  Google 最近提出的 gMLP 模型，在计算机视觉（CV）和自然语言处理（NLP）领域都展现出令人瞩目的性能，这无疑为我们理解和构建更强大的神经网络模型提供了新的思路。要评价 gMLP，我们需要深入分析它的设计理念、技术特点，以及它为何能在跨领域任务上取得成功。gMLP 的核心设计理念：对传统 .............
• 

  在NLP当中，不同的评价指标，BLEU, METEOR, ROUGE和CIDEr的逻辑意义？

  

  在自然语言处理（NLP）领域，尤其是在文本生成任务中，例如机器翻译、文本摘要、对话系统等，我们常常需要衡量生成文本与人类参考文本之间的相似度。为了达到这个目的，我们开发了一系列评价指标，其中 BLEU、METEOR、ROUGE 和 CIDEr 是最常用也最具代表性的几种。理解它们的逻辑意义，就像是在.............
• 

  如何看待Capsule Network在NLP领域的潜力？

  

  Capsule Network（胶囊网络，CapsNet）在自然语言处理（NLP）领域展现出巨大的潜力，这主要源于其在理解句子结构、语义关联和捕捉细微差别的能力上，与传统的CNN和RNN模型有所不同，更接近人类的理解方式。下面我将详细阐述CapsNet在NLP领域的潜力，从其核心机制出发，并分析其优.............
• 

  在CV/NLP/DL领域中，有哪些修改一行代码或者几行代码提升性能的算法？

  

  在计算机视觉（CV）、自然语言处理（NLP）和深度学习（DL）领域，确实存在许多“画龙点睛”式的优化技巧，它们往往不需要大刀阔斧地重写整个模型，而是通过微调几行代码，就能带来可观的性能提升。这些优化，与其说是“算法”，不如说是“工程上的智慧”和“对模型细节的洞察”。它们往往是研究人员或工程师在实践中.............
• 

  在中文 NLP 等论文中，应该如何翻译 token 这个词？

  

  在中文自然语言处理（NLP）领域，处理“token”这个词的翻译，确实是个既常见又需要细致斟酌的问题。这不仅仅是词语的简单对应，更关乎它在具体技术语境下的含义和作用。要译得地道、清晰，需要我们深入理解“token”在NLP中的角色。“Token”在NLP中的核心含义首先，我们得明确“token”在N.............
• 

  NLP 方向在国内清北读博还是国外？

  

  NLP 研究深耕：国内清北 vs. 海外名校，哪条路更适合你？近年来，随着人工智能浪潮的席卷，自然语言处理（NLP）领域成为最炙手可热的研究方向之一。无论是智能助手、机器翻译，还是内容生成、情感分析，NLP技术正以前所未有的速度渗透到我们生活的方方面面。对于有志于在这个领域深耕的学子来说，选择攻读博.............
• 

  NLP文本分类的本质是不是其实是找相似，对于要分类的句子，在训练集里找最相似的句子？

  

  要回答“NLP文本分类的本质是不是其实是找相似”这个问题，咱们得先把“本质”这个词琢磨透了。如果说本质就是“最终目标”或者“最直接的达成手段”，那可以说，找相似是文本分类的一个非常核心且直观的思路。但如果把本质理解得更深入一些，文本分类的本质更在于“捕捉文本的含义和特征，并根据这些含义和特征进行区分.............
• 

  没有顶会的CV/NLP方向的博士生毕业出路在哪里？

  

  在学术界，顶会论文无疑是衡量一个博士生学术能力和潜力的重要标杆。然而，将目光仅仅局限于顶会，可能会让我们忽略掉那些在CV/NLP领域同样深耕细作，但学术产出形式更多样、或侧重于应用探索的研究者。没有顶会的CV/NLP博士，并非就此断绝了出路，恰恰相反，他们往往拥有更广阔的职业选择和更扎实的落地能力。.............
• 

  准研一，导师NLP方向，导师接下了一个项目让我跟着手工标数据，请问是不是在PUA我?

  

  准研一，导师 NLP 方向，刚接项目就被要求手工标数据，这事儿细品一下，确实有点让人心里犯嘀咕，甚至会让人怀疑是不是被“PUA”了。但咱们也别急着下结论，先一步步捋清楚，看看真实情况是怎样的。首先，咱们得明确一个概念，“PUA”这个词现在用得太泛了，很多人一遇到点不顺心或者觉得不公平的事就往上套。在.............
• 

  在急诊工作是一种怎样的体验？

  

  急诊科工作是一种高强度、高压力、高责任的职业，需要医护人员在极端情况下迅速反应、精准判断，并在有限时间内做出决策。以下从多个维度详细描述急诊工作的体验： 一、工作环境与节奏1. 24小时轮班制 医护人员通常需要在凌晨至深夜轮班，轮班周期为8小时或12小时，且经常连续工作（如“三班倒”）。 .............
• 

  在美国拿3000美元月薪真的相当于在中国拿3000元人民币一样普遍么？

  

  在美国拿3000美元月薪与在中国拿3000元人民币的等效性问题，需要从多个维度进行深入分析。以下将从汇率、生活成本、收入水平、经济结构、税收与福利体系等方面展开详细对比： 1. 汇率换算：3000美元 vs 3000元人民币 美元与人民币的汇率：当前美元兑人民币汇率约为 7:1（2023年数据），因.............
• 

  在科研上，有没有工业界领先于学术界的情况？

  

  在科研领域，工业界与学术界的关系并非简单的“谁领先谁落后”，而是存在复杂的互动和互补。工业界在某些技术应用、商业化和实际问题解决上可能领先于学术界，但学术界在基础理论和长期研究中往往占据主导地位。以下从多个领域详细分析工业界领先学术界的情况，并结合具体案例说明其背后的逻辑。 1. 人工智能（AI）：.............
• 

  在当前的科研环境下，你有信心长期从事基础科学研究和颠覆性科学研究吗？

  

  在当前的科研环境下，我确实有长期从事基础科学研究和颠覆性科学研究的信心，但这种信心并非源于对环境的盲目乐观，而是基于对科研本质、历史规律和未来趋势的深刻理解。以下从多个维度展开分析： 一、基础科学研究的长期价值与支撑体系1. 基础科学的"慢火炖煮"特性 基础科学（如量子物理、生物进化、宇宙学.............
• 

  在进化中，生物的器官是否为了节省能量都保持功能基本够用就行？

  

  在生物进化过程中，器官的功能是否以“节省能量”为优先目标，是一个涉及生理学、进化生物学和能量代谢的复杂问题。以下从多个角度详细分析这一问题： 一、能量效率与功能需求的平衡1. 能量代谢的限制 生物体的生存和繁殖需要消耗能量，但能量获取和利用效率是进化中的关键约束。器官的进化必须在功能需求与能.............
• 

  在国家和民族的大是大非问题前，谈论科学与事实真的有意义吗？

  

  在国家和民族的大是大非问题中讨论科学与事实是否具有意义，这是一个涉及哲学、政治、历史和社会实践等多重维度的复杂命题。我们需要从多个层面深入分析这一问题。 一、"大是大非"的本质：价值冲突与认知分歧所谓"大是大非"通常指向关乎国家主权、民族认同、历史真相或核心利益的问题，这些问题往往涉及复杂的权力结构.............
• 

  在日本的新闻节目或者综艺节目里只要出现中国的内容，总是灰蒙蒙一片，这是真实场景还是加了一层灰色滤镜？

  

  日本的新闻节目或综艺节目在呈现中国相关内容时出现灰蒙蒙的画面效果，这一现象确实存在，但其成因并非单一，而是由多种因素共同作用的结果。以下从技术层面、主观创作意图、文化视角与政治语境等方面进行详细解析： 一、技术原因：自然环境与拍摄条件1. 中国城市空气质量问题 中国部分城市的空气污染（如雾霾.............
• 

  在知乎众裁中，你支持将「东百人」和「瑞典人」直接视作对东北人的歧视词吗？

  

  在中文互联网语境中，“东百人”和“瑞典人”这两个词的出现通常与地域刻板印象或网络玩笑有关，但需要具体分析它们是否构成对东北人的歧视。以下从多个角度进行详细说明： 一、关于“东百人”的可能含义1. 字面误解与误写 “东百人”可能是“东北人”的误写（如“东”+“北人”被错误简化为“东百人”）。在.............
• 

  在美国参议员和众议员的社会地位到底如何？

  

  在美国，参议员（Senator）和众议员（Representative）在社会上享有非常高的地位，他们的社会地位主要体现在以下几个方面，并且参议员的地位通常略高于众议员：一、 在美国政治体系中的核心地位和影响力： 立法权力的核心： 美国国会是美国联邦政府的三大分支（行政、立法、司法）之一，掌握着.............
• 

  在科技允许的情况下，一个完全密封的盒子中装满水，使盒子的体积不断缩小，会发生什么？

  

  在科技允许的情况下，一个完全密封的盒子中装满水，并且盒子的体积不断缩小，会发生一系列令人着迷且极端的情况，这涉及到流体动力学、材料科学、热力学以及可能的量子效应。让我们详细地探讨这个过程：1. 初期阶段：水的压缩与压强升高 水的不可压缩性（近似）： 水在常温常压下被认为是不可压缩的流体，这意味着.............