深度學習案例教程 教案7.4注意力機制-Attention介紹_第1頁
深度學習案例教程 教案7.4注意力機制-Attention介紹_第2頁
深度學習案例教程 教案7.4注意力機制-Attention介紹_第3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

04注意力機制_Attention介紹（p25）我們來學習注意力機制attention。它是一種在序列到序列模型中使用的機制。用于處理長句子的信息衰減問題。它允許解碼器在生成每個單詞時，對輸入序列的不同部分進行不同程度的關注，以便我們更好的翻譯長句子或處理句子中的歧義。比如說，我們人眼看這張圖，這樣圖有很多的像素點，并不是所有的像素點都會引起我們的關注，大部分人第一眼的關注點會在中間這個招牌上。或者以后面的文章為例，我們也不會把關注點放到每一個單詞上，而是會重點關注其中重要的幾個單詞，這樣就能快速掌握文章的大致內容。這就是注意力機制比較形象的理解。神經網絡利用這種原理來處理長句子，能夠更好的提取其中信息。（p26）注意力機制是seq2seq模型中的關鍵技術，它能夠提升模型在文本翻譯任務中的性能，特別是對于處理長句子和復雜結構語言的時候，提升效果比較明顯。傳統的編碼-解碼結構有兩個主要的缺陷。首先便是編碼器必須將所有的輸入信息壓縮成固定長度的向量。使用這種簡單的定長編碼來表示更長和更復雜的輸入往往會造成輸入信息的丟失。其次，這樣的結構不能對輸入序列和輸出序列的對應關系進行建模，而這種對應在機器翻譯和文本摘要等任務中十分重要。直觀上來說，在序列任務中，輸出序列的每個位置可能會受到輸入序列的特定位置的影響。然而，經典的解碼結構在產生輸出時并不會考慮這種對應關系通過根據輸入序列的不同部分計算注意力權重，模型可以更好的關注關鍵的信息，從而改善翻譯質量。在實際的應用中，不同的注意力機制實現方式可以根據具體任務和數據集的特點進行選擇和調整。（p27）我們來看一下注意力機制的原理。它的核心思想是在解碼器的每個時間步驟中，根據輸入序列的不同部分對目標序列進行加權關注，以便更準確的去生成目標序列的單詞。第二個原理是通過計算注意力權重，解碼器可以確定在生成當前單詞時對輸入序列的哪些部分更重點關注，以便捕捉關鍵信息。那其次啊，它的作用是改善模型對長句子的處理能力，減輕信息衰減問題，并提高翻譯質量和準確性。（p28）常見的注意力機制實現方式有多種，包括點積注意力(DotProductAttention)、加性注意力(AdditiveAttention)和縮放點積注意力(ScaledDotProductAttention)等。這些實現方式的核心是通過計算注意力權重，將輸入序列中與解碼器當前狀

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