注意力機制(基于seq2seq-RNN)詳解_第1頁
注意力機制(基于seq2seq-RNN)詳解_第2頁
注意力機制(基于seq2seq-RNN)詳解_第3頁
注意力機制(基于seq2seq-RNN)詳解_第4頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

注意力機制(基于seq2seqRNN)詳解本節提出了注意力（Attention）機制，這是神經網絡翻譯的最新解決方案。

注意力的思想是2015年在論文“NeuralMachineTranslationbyJointlyLearningtoAlignandTranslate”（DzmitryBahdanau，KyunghyunCho和YoshuaBengio，ICLR，2015）中提出的，它需要在編碼器和解碼器RNN之間增加額外的連接。事實上，僅將解碼器與編碼器的最新層連接會存在信息瓶頸，而且不一定能夠傳遞先前編碼器層的信息。

下圖說明了采用注意力機制的方法：

圖1引入注意力模型的NMT示例

需要考慮以下三個方面：將當前目標隱藏狀態與所有先前的源狀態一起使用，以導出注意力權重，用于給先前序列中的信息分配不同的注意力大小。總結注意力權重的結果創建上下文向量。將上下文向量與當前目標隱藏狀態相結合以獲得注意力向量。具體做法通過使用庫tf.contrib.seq2seq.LuongAttention來定義注意力機制，該庫實現了文獻“EffectiveApproachestoAttention-basedNeuralMachineTranslation”（Minh-ThangLuong，HieuPham和ChristopherD.Manning，2015）中定義的注意力模型：

通過一個注意力包裝器，使用所定義的注意力機制作為解碼器單元進行封裝：

運行代碼查看結果。可以立即注意到注意力機制在BLEU評分方面產生了顯著的改善：

解讀分析注意力機制是使用編碼器RNN內部狀態獲得的信息，并將該信息與解碼器的最終狀態進行組合的機制，關鍵思想是可以對源序列中的信息分配不同的注意力。下圖的BLEU得分顯示了應用注意力

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論