前言
前面看到谷歌發(fā)表的運(yùn)用在機(jī)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(luò)，大大簡化了模型的復(fù)雜度，而且效果還相當(dāng)好。當(dāng)然Attention模型可以單獨(dú)使用，但這篇文章我們來看看Attention的機(jī)制及怎么與經(jīng)典的seq2seq結(jié)合。
seq2seq
前面我們有詳細(xì)的文章介紹了seq2seq的機(jī)制以及如何用TensorFlow來實(shí)現(xiàn)seq2seq?？傻健渡疃葘W(xué)習(xí)的seq2seq模型》、《TensorFlow實(shí)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(jìn)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(dāng)前時刻的隱含狀態(tài)、編碼狀態(tài)C都相關(guān)，而當(dāng)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(guān)。
seq2seq缺點(diǎn)
seq2seq模型是處理序列問題的大殺器，由它實(shí)現(xiàn)的encoder-decoder模型讓其在很多場景都發(fā)揮著強(qiáng)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(rèn)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(fù)雜的隊(duì)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(yán)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?yàn)榕c上一時刻狀態(tài)相關(guān)，所以不能并行運(yùn)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(jī)制而來，比如當(dāng)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(xì)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(jìn)行編碼，下面會說到C怎么計(jì)算。再看隱含狀態(tài)，
h′t=f(h′t?1,yt?1,C)
C向量計(jì)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(yīng)的權(quán)重，其實(shí)就可以使用softmax來計(jì)算，它的計(jì)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(quán)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(dá)到了m*n的數(shù)量級。
- 蜜度索驥：以跨模態(tài)檢索技術(shù)助力“企宣”向上生長
- 后人工智能時代：2025年，在紛擾中重塑數(shù)據(jù)、洞察和行動
- 2025年展望：人工智能推動IT整合
- 量子計(jì)算：商業(yè)世界的新前沿與設(shè)計(jì)思維的融合
- IDC：三季度全球以太網(wǎng)交換機(jī)收入同比下降7.9%、環(huán)比增長6.6%
- Fortinet李宏凱：2025年在中國大陸啟動SASE PoP節(jié)點(diǎn)部署 助力企業(yè)出海
- Fortinet李宏凱：2024年Fortinet全球客戶已超80萬
- 央國企采購管理升級，合合信息旗下啟信慧眼以科技破局難點(diǎn)
- Apache Struts重大漏洞被黑客利用，遠(yuǎn)程代碼執(zhí)行風(fēng)險加劇
- Crunchbase：2024年AI網(wǎng)絡(luò)安全行業(yè)風(fēng)險投資超過26億美元
- 調(diào)查報(bào)告：AI與云重塑IT格局，77%的IT領(lǐng)導(dǎo)者視網(wǎng)絡(luò)安全為首要挑戰(zhàn)
免責(zé)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)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(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)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(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。
