BERT模型入门系列: Attention机制入门

于 2024-04-29 15:39:41 发布
阅读量388 收藏 10
点赞数 6
文章标签： bert 人工智能 深度学习 pytorch 自然语言处理 Llama3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_82469710/article/details/138315184
版权

Attention模型在NLP领域用的风生水起，但是一直对attention模型的基本原理不理解，看了很多别人的文章，似乎是看懂了，但实际上在真正理解起来的时候，就是没办法说出个所以然来，所以用自己的理解方式来写一篇。

Encoder-Decoder模型

说起Attention模型，就不得不先说一下seq2seq模型，seq2seq解决的问题，简单说来就是解决一个句子映射到另外一个句子的问题，例如下面的应用场景：

机器翻译：待翻译的文本序列–>翻译文本序列

语音识别：声学特征序列–>识别文本序列

问答系统：问题描述单词序列–>生成答案单词序列

文本摘要：文本序列–>摘要序列

而基础的seq2seq模型主要包括Encoder、Decoder、以及固定长度的语义向量。Encoder-Decoder模型在《Sequence to Sequence Learning with Neural Networks》中提出。以机器翻译为例，展示一下Encoder-Decoder模型的基本原理

Encoder和Decoder是神经网络，可以是RNN或者LSTM等，我们以RNN为例，将模型展开，其流程如下图所示

Encoder

[公式] 、 [公式] 、 [公式] 、 [公式] 是输入序列，如若是机器翻译任务，那么 [公式] 、 [公式] 、 [公式] 、 [公式] 就是输入待翻译的词语。

Encoder是神经网络，可以是RNN、LSTM等。

以RNN为例，RNN的当前隐藏状态是上一个输入的隐藏状态和当前输入决定的，所以：

当前RNN隐藏节点状态计算

[公式]

[公式] 表示RNN当前隐藏状态

[公式] 表示上一个输入的隐藏状态

[公式] 表示当前的输入

在输入结束， 得到了所有输入的隐藏层状态后，生成最后的语义向量C

语义向量C计算

[公式]

语义向量C是一个固定长度的向量，这个向量会作为Decoder的输入。

Decoder

同样，Decoder部分可以是RNN，也可以是LSTM，Decoder部分的输入是Encoder输出。 [公式] 、 [公式] 就是decoder解码出来的结果，如果是机器翻译任务，那么这个就是机器返回出来的结果。

这个阶段中，给定的语义向量 [公式] 和已经生成的输出序列 [公式] 、 [公式] 、…、 [公式] ，预测下一个输出单词yt

[公式]

也可以写作

[公式]

设 [公式] 为RNN的隐藏状态，那么，可以简写成

[公式]

即当前的输出 [公式] 有上一个输出 [公式] 、上一个输出的隐藏状态 [公式] 、Encoder输出的语义向量 [公式] ,经过 [公式] 函数运算得到，其中 [公式] 是一个非线性的神经网络，在这里为RNN

但是，这种方式存在缺陷： 由于Encoder编码输出的语义向量是固定长度，对于比较长的输入，会有部分信息丢失，导致Decoder出来的结果不佳，针对这个问题，KyungHyun Cho等人对Encoder-Decoder模型进行改造，提出了早期的Attention模型（NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE）。

Attention模型:

为了解决固定长度语义向量导致的信息丢失问题，KyungHyun Cho等人引入了Attention模型，Attention模型的机制与人类翻译文章的思路相似，都是关注于要翻译的词，结合上下文进行翻译。Attention模型会寻找源语句对应的几个词，结合已经翻译出来的词语做相应的翻译。例如：我们翻译机器学习的时候，当翻译到机器的时候，Attention的注意力会集中在“机器”，这样，Decoder就可以看到Encoder的每个词的信息，而不局限于固定长度的隐藏向量而导致信息丢失。

具体流程如下：

对于一个句子 [公式] 、 [公式] 、…、 [公式]

1、输入序列编码，先用某种方法获的词语的向量，再输入到Encoder中进行编码，得到编码后的向量，这里记为 [公式] 、 [公式] 、…、 [公式] ,在这里，其中编码方式我们可以用RNN或者LSTM等,这里还是以RNN为例。

2、注意力权重的计算，为方便记录，定义注意力权重为 [公式]，Decoder后的向量为 [公式] 、 [公式] 、…、 [公式] ， 其中i为句子输入序列的下标

对于当前需要decoder的向量qi，其对应的注意力权重 [公式] 、 [公式] 、…、 [公式] 通过一个函数

[公式] 计算得到，我们也可以把Decoder后的向量当作Query,解码后的向量为字段，这里，我们就是用query查找字段对应权重的过程

3、计算语义向量 [公式] ， [公式] （其中， [公式] 为注意力权重， [公式] 为Encoder得到的向量）

4、Decoder下一个输出 根据语义向量C，上一个Decoder的输出、上一个Decoder输出的隐藏状态，预测下一个输出

加入了Attention机制后，增加了两点不同之处

1、每次Decoder一个词的时候都需要计算一次注意力权重

2、每Decoder都需要重新计算语义向量 [公式]

计算注意力权重，需要两个信息：

  • Encoder后得到的向量[公式] 、 [公式] 、…、 [公式]，这个向量包含了解码后所有单词的信息，我们可以把它当作一个字典
  • 第i-1个decoder得到的向量[公式] 。

以第一个例子进行讲解，

首先、输入文本“机器学习”经过RNN的Encoder之后，得到了隐藏状态[公式] 、 [公式] 、 [公式] 、 [公式]

第二步进行注意力权重计算，此处刚开始，还没有Decoder的隐藏状态， [公式] 一般是固定的start token

在得出注意力权重后，根据Encoder得到的隐藏状态[公式] 、 [公式] 、 [公式] 、 [公式]，以及相应的注意力权重计算得到语义向量 [公式] ，最后Decoder得到结果machine

Decoder第二个词的时候，步骤也是一样的，不同的是计算注意里权重的时候，使用的是Decoder的得到的隐藏状态 [公式]

那这里问题来了，这个函数_F_是什么函数呢？一般，计算注意力权重有以下的方法

  • Bilinear方法

[公式]

用一个权重矩阵直接建立 [公式] 和 [公式] 的关系映射，比较直接，且计算速度较快。

  • Dot Product

[公式]

这个方法更直接，省掉了权重，直接建立 [公式] 和 [公式] 的关系映射，优点是计算速度更快了，且不需要参数，降低了模型的复杂度。但是需要 [公式] 和 [公式] 的维度要相同。

  • scaled-dot Product

[公式]

上面的点积方法有一个问题，就是随着向量维度的增加，最后得到的权重也会增加，为了提升计算效率，防止数据上溢，对其进行scaling。

Talk is cheap， show me the code!!！下一篇将会努力实现模型。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓

在这里插入图片描述

AI-智能
关注
  • 6
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
WWW 2021 | 融合先验知识的BERT注意力模型
Paper weekly
02-28 1540
©PaperWeekly 原创 ·作者｜张琨学校｜中国科学技术大学博士生研究方向｜自然语言处理MotivationBERT 等预训练模型使得自然语言处理等相关研究能够充分利用大规模的无标...
用Attention和微调BERT进行自然语言推断-PyTorch
weixin_51221144的博客
06-23 1049
当需要决定一个句子是否可以从另一个句子推断出来，或者需要通过识别语义等价的句子来消除句子间冗余时，知道如何对一个文本序列进行分类是不够的。相反，我们需要能够对成对的文本序列进行推断。自然语言推断（natural language inference）主要研究假设（hypothesis）是否可以从前提（premise）中推断出来，其中两者都是文本序列。换言之，自然语言推断决定了一对文本序列之间的逻辑关系。这类关系通常分为三种类型：自然语言推断也被称为识别文本蕴涵任务。斯坦福自然语言推断语料库（Stanford
机器学习笔记：seq2seq & attentioned seq2seq
qq_40206371的博客
09-22 205
hj是encoder每个元素的隐状态，αij是加权系数。st-1是decoder t-1位置的输出。
从Attention到Bert——3 BERT解读
weiyaner的博客
03-28 1848
文章目录Bert介绍Bert模型结构1 与GPT，ELMO结构对比2 Bert的输入3 Bert的输出Bert两大预训练任务MLM, NSP1 CV的预训练任务2 Masked language model, MLM 掩码语言模型3 Next sentence predict，NSP，上下文预测模型Bert四大下游任务Finetune1 分类2 序列标注总结1 优点2 缺点 Bert介绍 BERT的全称是Bidirectional Encoder Representation from Transform
BERT背景介绍——Attention机制
CSDN_of_ding的博客
07-22 1332
BERT背景介绍——Attention机制 学习BERT一段时间了，但是还是没搞懂attention是什么，今天再来学习一下。 Attention机制 图片形象化展示了人类在看到一副图像时是如何高效分配有限的注意力资源的，其中红色区域表明视觉系统更关注的目标，很明显对于图片所示的场景，人们会把注意力更多投入到人的脸部，文本的标题以及文章首句等位置。深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似，核心目标也是从众多信息中选择出对当前任务目标更关键的信息。 在神经网络模型处理大量输入信息
零基础入门NLP.pdf
08-12
此外，还涉及了Hierarchical Attention Networks（HAN），这种模型在处理长文本时特别有效。 Task6 进一步探讨了基于Transformer架构的深度学习模型，特别是预训练语言模型如BERT。这部分内容涵盖BERT的预训练和...
图神经网络.rar 带你快速入门图神经网络
10-22
常见的GNN层包括图卷积网络（Graph Convolutional Network, GCN）、递归神经网络（Recursive Neural Network, RNN）的变体，如GraphRNN，以及注意力机制（Attention Mechanism）融入的Graph Attention Network（GAT...
Pytorch框架基于Bert+ERNIE实现中文文本分类项目python源码+项目说明.zip
最新发布
05-26
bert模型放在 bert_pretain目录下，ERNIE模型放在ERNIE_pretrain目录下，每个目录下都是三个文件： - pytorch_model.bin - bert_config.json - vocab.txt 预训练模型下载地址： bert_Chinese: 模型 ...
零基础入门NLP - 新闻文本分类-数据集
03-26
也可以使用深度学习方法，如循环神经网络（RNN）、长短时记忆网络（LSTM）、注意力机制（Attention）或者BERT等预训练模型。 4. **模型训练与调优**：使用训练集对模型进行训练，并通过交叉验证、网格搜索等方法...
基于word2vec预训练词向量； textCNN charCNN；Bi-LSTM；BERT 预训练模型的文本分类项目
05-22
BERT 预训练模型的文本分类项目LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络（RNN）架构，用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题，导致无法...
【NLP技术】：BERT解读(一)self-Attention
hxcaifly的博客
01-10 4593
文章目录1. 概述2. Attention is all your need3. Self-Attention in Detail3.1. 使用向量3.2. Matrix Calculation of Self-Attention 本文引自：https://state-of-art.top 1. 概述 本系列文章希望对google BERT模型做一点解读。打算采取一种由点到线到面的方式，从基本...
Bert+BiLSTM+attention+TextCNN来实现文本分类
m0_62342639的博客
12-15 2150
使用多种nlp流行的模型 来实现一个文本分类
Bert+Bilstm+attention模型
m0_62342639的博客
12-15 1909
Bert+BiLstm+attention
一文读懂BERT(原理篇)
热门推荐
程序猿废柴的博客
04-19 28万+
一文读懂BERT（从原理到实践） 2018年的10月11日，Google发布的论文《Pre-training of Deep Bidirectional Transformers for Language Understanding》，成功在 11 项 NLP 任务中取得 state of the art 的结果，赢得自然语言处理学界的一片赞誉之声。 本文是对近期关于BERT论文、相关文章、代码进...
BERT基础（一）：self_attention自注意力详解
杨丹的博客
11-05 1万+
BERT中的主要模型为Transformer，而Transformer的主要模块就是self-attention。为了更好理解bert，就从最基本的self-attention 开始。之后的博文则一步一步推进到bert。 参考：李宏毅2019年新增课程 week 15 transformer 课程笔记 视频及课件地址：https://www.bilibili.com/video/av65521...
NLP课程：Encoder-Decoder框架、Attention、Transformer、ELMO、GPT、Bert学习总结
算法人生
01-31 9466
Encoder-Decoder框架： 可以把它看作适合处理由一个句子（或篇章）生成另外一个句子（或篇章）的通用处理模型。对于句子对<Source,Target>，我们的目标是给定输入句子Source，期待通过Encoder-Decoder框架来生成目标句子Target。 Encoder顾名思义就是对输入句子Source进行编码，将输入句子通过非线性变换转化为中间语义表示C：...
自然语言处理模型：bert 结构原理解析——attention+transformer（翻译自：DECONSTRUCTING BERT, PART 2）
guangyacyb的博客
03-09 949
原文：DECONSTRUCTING BERT, PART 2: VISUALIZING THE INNER WORKINGS OF ATTENTION This is the second part of a two-part series on deconstructing BERT. In part 1,Deconstructing BERT: Distilling 6 Patte...
通俗易懂的Attention、Transformer、BERT原理详解
weixin_40920183的博客
08-20 3002
原创 · 作者 |TheHonestBob学校 | 河北科技大学研究方向 | 自然语言处理一、写在前面网上关于这部分内容的好文章数不胜数，都讲的特别的详细，而今天我写这篇博客的原因，一...
加入了attention机制的bert模型介绍
04-27
BERT（Bidirectional Encoder Representations from Transformers）是一种基于Transformer模型的预训练语言模型，它是一种双向的模型，能够同时利用上下文信息进行预测任务。与传统的单向语言模型不同，BERT采用了双向Transformer编码器，从而使得模型可以同时利用上下文信息进行预测任务，具有更好的性能。 BERT模型在预训练阶段使用了两种预训练任务：Masked Language Model（MLM）和Next Sentence Prediction（NSP）。在MLM任务中，BERT模型通过随机遮掩输入中的某些词汇，然后预测这些被遮掩的词汇；在NSP任务中，BERT模型预测两个句子是否是连续的。 在预训练阶段完成后，BERT模型可以通过微调来适应不同的自然语言处理任务，如文本分类、情感分析、命名实体识别等。此外，BERT模型还可以添加Attention机制，进一步提高模型的性能。Attention机制可以让模型更加关注输入序列的重要部分，从而提高模型的预测精度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值