前言
前面看到谷歌發(fā)表的運用在機器翻譯上的論文《Attention is all you need》，很是讓人驚訝，這是一種全新的模型，與之前的經(jīng)典的seq2seq模型改動較大，它完全摒棄了RNN或CNN神經(jīng)網(wǎng)絡，大大簡化了模型的復雜度，而且效果還相當好。當然Attention模型可以單獨使用，但這篇文章我們來看看Attention的機制及怎么與經(jīng)典的seq2seq結(jié)合。
seq2seq
前面我們有詳細的文章介紹了seq2seq的機制以及如何用TensorFlow來實現(xiàn)seq2seq。可到《深度學習的seq2seq模型》、《TensorFlow實現(xiàn)seq2seq》閱讀。
seq2seq模型結(jié)構(gòu)基本都大同小異，下面用一種常見結(jié)構(gòu)進行說明，我們可以看到decoder將不同時刻的輸入最后用一個狀態(tài)C來表示,encoder部分的不同時刻的輸出則為yt=g(yt?1,h′t,C)，且有h′t=f(h′t?1,yt?1,C)，可以看到，不同時刻的輸入被編碼成C，而不同時刻的輸出與上一時刻的輸出、當前時刻的隱含狀態(tài)、編碼狀態(tài)C都相關，而當前時刻隱含狀態(tài)由于上一時刻的隱含狀態(tài)、上個時刻輸出、編碼C相關。
seq2seq缺點
seq2seq模型是處理序列問題的大殺器，由它實現(xiàn)的encoder-decoder模型讓其在很多場景都發(fā)揮著強大的作用，得到了很不錯的效果。但它也有自己的局限性，被認為最大限制了seq2seq能力的就在于編碼和解碼之間的唯一聯(lián)系就是一個固定長度的語義向量C。
我們可以看到上面，encoder的不同時刻的輸入都被編碼成狀態(tài)C，這個便是語義向量。從這個角度去看，它將整個序列的信息壓縮到一個固定長度的向量中去了。對于短序列來說，這種做法可能問題不大，但如果是較長較復雜的隊列，則該語義向量可能無法完全表示整個序列的信息。而且先輸入的序列的信息會被后輸入的序列信息稀釋掉。輸入序列越長，這個現(xiàn)象就越嚴重。如果我們得到一個有損的語義編碼，那對后面的解碼也很可能會產(chǎn)生影響。
另外seq2seq模型一般會使用RNN，而RNN因為與上一時刻狀態(tài)相關，所以不能并行運算，效率低。但這是所有使用RNN的局限性，除非不使用它。
Attention模型
為了解決語義損失和信息稀釋的問題，提出了Attention模型，Attention即注意力，它是模擬了人類的視覺注意機制而來，比如當觀察某個畫面時，注意力聚焦到其中某一部分，其余部分則變得模糊。
按照圖，咱們往下詳細看Attention模型怎么與seq2seq結(jié)合。對于decoder，輸出為
yt=g(yt?1,h′t,C)
這里的C已經(jīng)與前面說到的seq2seq的語義向量C不同了，已經(jīng)不再是將所有輸入進行編碼，下面會說到C怎么計算。再看隱含狀態(tài)，
h′t=f(h′t?1,yt?1,C)
C向量計算公式為，
Ct=∑Txj=1atjhj
我們可以將其中的a看成是各個時刻的輸出的不同時刻的輸入對應的權重，其實就可以使用softmax來計算，它的計算公式為，
atj=exp(etj)∑Txk=1exp(etk)
其中，
etj=w(h′t?1,hj)
通過上面幾個公式就基本描述了seq2seq與Attention的結(jié)合，其中每個輸出多了注意力向量參與，注意力的權重由上一時刻隱含狀態(tài)與encoder的各個輸入的隱含狀態(tài)共同決定。
在seq2seq模型上加上Attention模型，克服了語義損失和信息稀釋的問題，但是它也引入了額外的成本，對于m個輸入，n個輸出的結(jié)構(gòu)中，Attention參數(shù)也達到了m*n的數(shù)量級。
- 蜜度索驥：以跨模態(tài)檢索技術助力“企宣”向上生長
- 密態(tài)計算技術助力農(nóng)村普惠金融 螞蟻密算、網(wǎng)商銀行項目入選大數(shù)據(jù)“星河”案例
- 專利糾紛升級！Netflix就虛擬機專利侵權起訴博通及VMware
- 兩大難題發(fā)布！華為啟動2024奧林帕斯獎全球征集
- 2025年工業(yè)軟件市場格局：7個關鍵統(tǒng)計數(shù)據(jù)與分析
- Commvault持續(xù)業(yè)務策略：應對現(xiàn)代數(shù)據(jù)保護挑戰(zhàn)的新范式
- 2025年網(wǎng)絡安全主要趨勢
- 2025年值得關注的數(shù)據(jù)中心可持續(xù)發(fā)展趨勢
- 量子計算火熱，投資者又在大舉尋找“量子概念股”
- 從量子威脅到人工智能防御：2025年網(wǎng)絡安全將如何發(fā)展
- 后人工智能時代：2025年，在紛擾中重塑數(shù)據(jù)、洞察和行動
免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。
