Transformer入门教程（二）模型设计(一)

最新推荐文章于 2024-08-02 18:24:55 发布
最新推荐文章于 2024-08-02 18:24:55 发布
阅读量4.3k 收藏 1
点赞数
分类专栏： Cognos_Transformer 文章标签： Cognos Transformer 教程
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/yuguiyang1990/article/details/41847783
版权
本文是Transformer入门教程的第二部分，主要介绍如何在Transformer中引入数据源和建立维度。首先，讲解了数据源类型，包括package、report等，并展示了如何通过add query添加查询并引入事实表和维度表。接着，详细描述了如何新增维度，包括在Dimension Map中创建Level，并说明度量与维度的关联是通过名称自动完成的。
摘要由CSDN通过智能技术生成

今天尝试了下Transformer的开发，蛮神奇的，这里分享下，还在学习中，开发流程什么的都在研究中

1. 引入数据

在上一回，我们简单介绍了怎样在Transformer中引入数据包

这里，我们挑几个重点说一下：

1.1 数据源类型

现在的Transformer开发，貌似是这样的，在Framework中基本建模，比如：数据库视图，业务视图

然后，在Transformer中进行维度建模。


Transformer中可以引入多种数据源

这里呢，我们就先学习下package，这个就是我们FM发布的数据包，report，就是我们开发的报表，其他的有待学习研究

1.2 add query

最低0.47元/天 解锁文章
橘猫吃不胖胖
关注
专栏目录
AIGC从入门到实战：远近高低各不同：Transformer 和预训练模型是什么？
程序员光剑
06-19 942
1. 背景介绍 近年来，随着人工智能技术的快速发展，AIGC（人工智能生成内容）已经成为了一个热门的话题。Transformer 和预训练模型是 AIGC 中的两个重要概念，它们对于理解和应用 AIGC 技术具有重要意义。本文将介绍 Transformer 和预训练模型的基本概念、工作原理、应用场景以及未来的发展趋势。
测试Transformer模型
程序员光剑
05-27 285
背景介绍 Transformer模型是自然语言处理(NLP)领域中最重要的创新之一，它在机器翻译、文本摘要、问答、语义角色标注等多个领域取得了令人瞩目的成果。事实上，Transformer模型已经成为机器学习的主流模型。近年来，许多研究者和企业家对Transformer模型的性能和应用进行了深入的探讨。那么，我们如何去测试Transformer模型的性能
Transformer模型学习笔记
不忘初心 加油
12-01 3206
1 参考资料 该文介绍了RNN到Transformer的特征提取器，很全面 该文对Transformer论文的解释和介绍很清楚 该文对Transformer介绍也很透彻，本文主要内容来自这里，建议看 论文的原文地址 2 模型主要内容 该模型是google提出的主要利用Attention思想做词embedding，也可以称为特征抽取器。目前大热的Bert也是以改模型为基础设计的，本文主要是对该模型进行一个学习记录。 模型的总体结构 该模型原本是由Google推出应用在翻译上的，因此，我们可以理解为，Trans
transformer理解
qq_22613769的博客
08-31 6300
Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，现在比较火热的 Bert 也是基于 Transformer。Transformer 模型使用了 Self-Attention 机制，不采用 RNN和LSTM 的顺序结构，使得模型可以并行化训练，而且能够拥有全局信息。 1.Transformer 结构 首先介绍 Transformer 的整体结构，下图是 Transformer 用于中英文翻译的整体结构。 ...
Transformer 模型图文详解
最新发布
AI全栈 和 IT 编程相关分享
08-02 2591
Transformer 架构是 google 在 2017 年的 《Attention Is All You Need》 论文中提出，在 NLP 的多个任务上取得了非常好的效果，可以说目前 NLP 发展都离不开transformer。最大特点是抛弃了传统的 CNN 和 RNN，整个网络结构完全是由Attention 机制组成。
Transformer模型
m0_70066267的博客
08-01 1817
Transformer模型是一种在自然语言处理（NLP）及其他序列到序列（Seq2Seq）任务中广泛使用的深度学习模型框架。其基本原理和核心组件，尤其是自注意力机制（Self-Attention Mechanism），对于理解该模型的工作方式至关重要。以下是对Transformer模型基本原理和自注意力机制的详细解释。
一文看懂Transformer到BERT模型
fengdu78的博客
02-23 7953
目录：ELMo与Transformer的简单回顾DAE与Masked Language ModelBERT模型详解BERT模型的不同训练方法如何把BERT模型应用在实际项目中如何对BER...
Transformer入门教程（六）模型设计知识整理
什么是江湖?
12-10 2709
这里我会记录些Transformer相关的资料，资料来源于网上，现分享下 1. Transformer建模过程 从模型到PowerCube 1.1  输入数据源 1.2  建立和检验度量 1.3  建立和检验维度和层 1.4 创建和测试PowerCubes 这个流程也描述和概括了我们之前的Transformer设计 2. 什么是PowerCube PowerCube是多维
基于Transformer模型的自然语言处理（NLP）入门
07-21
本教程从Transformer模型的基本原理出发，结合具体的代码示例，详细讲解了如何在PyTorch中实现一个简单的Transformer模型，并应用于文本分类任务。希望通过本教程，初学者能够掌握Transformer模型的基础知识，并能够...
Transformer大模型实战 训练Transformer
程序员光剑
07-29 337
Transformer大模型实战 训练Transformer 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来
Transformer 模型详解
热门推荐
步入人工智能
05-29 27万+
本内容主要介绍 Transformer 模型的具体实现。
Transformer 大模型详解——transformer模型
zhishi0000的博客
06-30 2944
解码器栈的输出是一个 float 向量。我们怎么把这个向量转换为一个词呢？通过一个线性层再加上一个 Softmax 层实现。线性层是一个简单的全连接神经网络，其将解码器栈的输出向量映射到一个更长的向量，这个向量被称为 logits 向量。现在假设我们的模型有 10000 个英文单词（模型的输出词汇表）。因此 logits 向量有 10000 个数字，每个数表示一个单词的分数。然后，Softmax 层会把这些分数转换为概率（把所有的分数转换为正数，并且加起来等于 1）。
Transformer模型详解
qq_74722169的博客
02-22 2515
RNN系列的模型，并行计算能力很差。RNN并行计算的问题就出在这里，因为 T 时刻的计算依赖 T-1 时刻的隐层计算结果，而 T-1 时刻的计算依赖 T-2 时刻的隐层计算结果，如此下去就形成了所谓的序列依赖关系。Transformer的特征抽取能力比RNN系列的模型要好。放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较。
Transformer Tutorials 最全入门详细解释（一）
weixin_50920579的博客
03-23 1505
你可以简单理解为它是一个黑盒子，当我们在做文本翻译任务是，我输入进去一个中文，经过这个黑盒子之后，输出来翻译过后的英文。那么在这个黑盒子里面都有什么呢？里面主要有两部分组成：Encoder 和 Decoder当我输入一个文本的时候，该文本数据会先经过一个叫Encoders的模块，对该文本进行编码，然后将编码后的数据再传入一个叫Decoders的模块进行解码，解码后就得到了翻译后的文本，对应的我们称Encoders为编码器，Decoders为解码器。
Transformer 初学者入门
LuciferXD的博客
02-06 2207
Attention is all you need 文章概述以及Transformer入门内容，通俗易懂
Transformer入门学习
Ford程的博客
10-17 1920
摘要：记录一下自己在10月份参加DataWhale组队学习transformer的所得。这篇博客主要关于transformer基本原理的学习和一个输入序列转换的简单demo，并补充了一些transformer在CV领域的variants，希望本次组队学习能帮助自己快速入门，有机会将transformer用在透过散射成像或者PAM成像相关领域中。以下内容主要参照Datawhale开源资料《动手学CV-Pytorch》第六章，感谢DataWhale开源组织，也欢迎大家点进去多多学习~ 2017年谷歌在一篇名为A
transformer模型入门
06-06
Transformer 是一种用于自然语言处理的深度学习模型，它在 2017 年被 Google 提出，并在机器翻译任务中取得了很好的效果。Transformer 的核心是自注意力机制（Self-Attention），它能够有效地将输入序列中的信息进行交互和整合。 Transformer 的整个模型架构包含两个部分：编码器（Encoder）和解码器（Decoder）。编码器用于将输入序列进行编码和提取特征，解码器用于根据编码器的输出和上下文信息生成目标序列。 具体而言，编码器由多个相同的层堆叠而成，每个层包含两个子层：多头自注意力机制和前馈神经网络。自注意力机制能够帮助模型理解输入序列中不同位置之间的关系，前馈神经网络则用于对每个位置的特征进行非线性变换。在每个子层中，都会进行残差连接和层归一化操作，以便更好地训练模型和加速收敛。 解码器与编码器的结构类似，不同之处是它在每个子层中还会加入一个多头注意力机制，用于获取编码器中的信息。解码器还会对目标序列进行位置编码，以便模型能够区分不同位置的信息。 总体来说，Transformer 模型在处理自然语言任务时，具有较好的并行性和捕捉长距离依赖的能力，因此在机器翻译、文本生成等任务中都能够取得很好的效果。
评论 1
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