Seq2Seq中的Attention和self-attention

Seq2Seq中的Attention和self-attention

一、Seq2Seq Model

首先介绍Seq2Seq模型,进而引入Attention机制。Seq2Seq模型的经典应用是语言模型,类似于语言翻译的例子(英译汉),Seq2Seq的目的就是将英文句子(输入Sequence),转换为汉语句子(输出Sequence),这里的Sequence是由字(单词)的序列。
这种Seq2Seq通常Encoder-Decoder结构组成,其中encoder将输入Sequence转换为embedding向量,用来高度的表示输入信息。而decoder则将embedding向量作为输入,进而将embedding向量转化为输出Sequence。如下图:
其中的Context Vector就是Embedding Vector,这一层也可以叫做Embedding layer。Encoder和Decoder一般由GRU(如LSTM)构成,Sequence模型适用于任意N-to-M的Sequence。其中Encoder中每个时刻t(即每个单词)都会对应一个hiden state向量,最后时刻T的hidden state作为Context Vector传递给Decoder。那么但是其中隐含一个缺点:仅仅利用最后一个Context Vector能够代表输入Sequence的所有信息么?

二、Attention Model

之前的Seq2Seq模型中

  • 5
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
评论 10
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
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