selfattention——自注意力機制_第1頁
selfattention——自注意力機制_第2頁
selfattention——自注意力機制_第3頁
selfattention——自注意力機制_第4頁
selfattention——自注意力機制_第5頁
全文預覽已結(jié)束

下載本文檔

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

文檔簡介

1、self-attention中中ansfoeself-attention出來后RNN逐漸被取締。向量的形式1. 聲音向量2. 圖中的每個結(jié)點機制流程先計算某個向量和其他向量之間的關聯(lián)性。Wq、是兩個矩陣，山和a2乘以這兩個矩陣后得到兩個向量q,息再點乘得到atthntion的分數(shù)Dot-productrelevantvectorsinaseauence得到后attention的分數(shù)Q后再對每個ai乘以一個矩陣得到對應的vi，再求和得b=avtxtraciinrormanonoaseaonattentionscoresft1=/p1=Wvav2=Wva2v3-Wvav4=Wva4我們要訓練的參數(shù)

2、就是Wk,WqWv多頭注意力機制example)缺點缺點是表示位置信息不好，但是也可以加入位置編碼。適用范圍輸入是一排向量CNN和self-attention的關系具體可以參考下篇論文，這里我也沒太懂OntheRelationshipbetweenSelf-AttentionandConvolutionalLayersCNN是劃分卷積核，而self-attention是自己學習出卷積核大小°CNN在數(shù)據(jù)較小的時候得到的性能較好，而self-attention在數(shù)據(jù)較大的時候性能更好。self-attention和RNN的關系self-attention可以一波產(chǎn)生，RNN是遞進產(chǎn)生。參考下面一篇文章TransformersareRNNs:FastAutoregressiveTransformerswithLinearAtt

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(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)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。

最新文檔

評論

0/150

提交評論