IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 第一章 attention和transformer -> 正文阅读

[人工智能]第一章 attention和transformer

基于transformers的自然语言处理(NLP)入门

1 Seq2Seq

【论文】Sequence to Sequence Learning
with Neural Networks【2014】
Learning Phrase Representations using RNN Encoder–Decoder
for Statistical Machine Translation【2014】

【参考】Seq2Seq模型概述

  • seq2seq属于encoder-decoder结构的一种
  • 基本思想就是利用两个RNN,一个RNN作为encoder,另一个RNN作为decoder
  • 输入序列和输出序列长度可以不同
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

2 attention

【论文】Neural Machine Translation by Jointly Learning to Align and Translate【2014】Effective Approaches to Attention-based Neural Machine Translation【2015】
【参考】Attention和Transformer一文看懂attention

  • attention思想:查字典,根据查得的各key和query的相关性计算value的加权和
    在这里插入图片描述

  • 因为性能更优越,现在提到的seq2seq一般都指加入了attention机制的模型
    在这里插入图片描述

  • 双向RNN的encoder

  • h h h 代表encoder的隐藏层(在这里又作为value), s s s 代表decoder的隐藏层

  • 红框是attention,计算上下文(context)

    • c t = ∑ i = 1 T α t i h i c_t=\sum_{i=1}^{T}\alpha_{ti}h_i ct?=i=1T?αti?hi?,第 t t t 个decoder,第 i i i 个encoder隐藏层,对各encoder隐层进行加权求和,权重越大在context的占比就越多,decoder时就越重视它(attention思想
    • α t i = e x p ( e t i ) ∑ i = 1 T e x p ( e t i ) \alpha_{ti}=\frac{exp(e_{ti})}{\sum_{i=1}^Texp(e_{ti})} αti?=i=1T?exp(eti?)exp(eti?)?,叫做alignment,其中 e t i = a ( s t ? 1 , h i ) e_{ti}=a(s_{t-1},h_i) eti?=a(st?1?,hi?),用以计算上一时刻的输出 s t ? 1 s_{t-1} st?1? 和所有encoder输出的相关程度,并用softmax归一化
    • a ( ? ) a(\cdot) a(?) 计算相关程度,一个加性attention的计算方法如下:query、key
      在这里插入图片描述
    • 乘性attention可以通过query和key直接向量乘法得到标量;local sensitive attention,思想是相邻 α t i \alpha_{ti} αti? 之间的关系会相对较大,因此为了捕捉这种关系对alignment进行卷积
    • 关于query:上个decoder的隐层 s t ? 1 s_{t-1} st?1?、当前decoder的隐层 s t s_{t} st? s t ? 1 s_{t-1} st?1? y t ? 1 y_{t-1} yt?1? concat起来用,具体情况具体分析
  • 总结:seq2seq中的attention,就是计算一个encoder所有隐层的加权和,结果即为context(各权重是query和各key的相关程度,再归一化)

3 transformer

Transformer就是一个升级版的seq2seq,也是由一个encoder和一个decoder组成的;但其encoder和decoder都不用RNN,而是换成了多个attention

3.1整体框架

在这里插入图片描述

3.2 单层编码器/编码器

  • 单层编码器:self-attention + 前馈神经网络(FFNN)
  • 单层解码器:self-attention + encoder-decoder attention + FFNN
    在这里插入图片描述
    • encoder-decoder attention:类似于seq2seq中的attention,帮助解码层聚焦于输入句子的各部分
    • self-attention:key=query=value,在原文中的每个词可以跟该句子中的所有词进行Attention计算,相当于寻找原文内部的关系

3.3 self-attention

  • 单头注意力机制
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 多头注意力机制
    在这里插入图片描述
    完整结果
    在这里插入图片描述
    在这里插入图片描述

4 代码实现矩阵计算的attention

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-19 12:04:06  更:2021-08-19 12:04:54 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/27 19:31:49-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码