注意力机制(一)

上一节,我们介绍了Seq2Seq模型,它的生成序列来自同一个语义编码器C:

94ee8a2f1263e3dc00d132f96288ba3b.png

因此,在句子比较短时,该模型性能还可以,对于稍长一些的句子,模型的性能就不尽人意了。为此,注意力机制模型应运而生。

传送门:序列处理之RNN模型

56a2a8809a5bd8b54bcd6dbb51600b64.png

注意力机制概述

注意力机制,英文是Attention Mechanism,简称AM。它的提出是源于人类视觉的研究——当我们看一张图片时,并非会注意图片的全部内容,而是将注意力集中在图片的重要部分,通常是焦点的部分位置。也就是对这部分投入更多的注意力资源,以获取更多所需关注目标的细节信息,从而忽略其他无用信息。

深度学习的注意力机制,正是基于这样的逻辑构建的。在自然语言处理中,把注意力机制看作输出(Target)句子中某个单词和输入(Source)句子每个单词的相关性,这个是AM的本质。下面一张图展示了这种关系:

bd4194fe8e652140ed9a9a3591e72d12.png

图中,Key就是输入的所有单词,Value是其对应的取值,把<Key,Value>称为数据对,Query是输出中的某个元素:

f5f43dc29905c3c30906282eafa216af.png

给定一个Query,计算其与各个Key的相似度,得到对应Value值(权重系数),然后对Value进行加权,得到最终的Attention数值:

5b095ab5a7640e79ea5232864faeb15e.png

所以本质上注意力机制是对Source中元素的Value值进行加权求和,而Query和Key是用来计算对应Value的权重系数。<

  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

整得咔咔响

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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