Transformer中self-attention、RNN、CNN的性能对比

最新推荐文章于 2024-06-07 10:16:20 发布

Yolo_C

最新推荐文章于 2024-06-07 10:16:20 发布

阅读量1.1k

点赞数 2

分类专栏： NLP 算法工程师面试文章标签：自然语言处理

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/Yolo_C/article/details/109634888

版权

论文《Attention is all you need》对比了self-attention、RNN和CNN在自然语言处理中的性能。self-attention在计算复杂度上通常优于RNN，尤其适合长序列任务，通过restricted self-attention可进一步降低复杂度。尽管CNN的计算复杂度高于RNN，但卷积层数可能需增加以处理长距离依赖。self-attention能并行处理，且能有效捕获长距离依赖，而受限的self-attention在牺牲部分长距离依赖学习能力的同时，降低了计算需求。

摘要由CSDN通过智能技术生成

论文原文Attention is all you need:
https://arxiv.org/pdf/1706.03762.pdf

输入序列 $x_1,x_2,...,x_n)$

最低0.47元/天解锁文章

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
Transformer中self-attention、RNN、CNN的性能对比

论文原文Attention is all you need:https://arxiv.org/pdf/1706.03762.pdf输入序列(x1,x2,...,xn)(x_1,x_2,...,x_n)(x1,x2,...,xn)输出序列(z1,z2,...,zn)(z_1,z_2,...,z_n)(z1,z2,...,zn)xi,zi∈Rdx_i,z_i \in R^dxi,zi∈Rdn：序列长度d：表征维度k：卷积大小r：restricted self-attentio
复制链接

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。