知识卡片
注意力层的组合
Attention 先用 AttentionWeight 依据编码器各步状态和当前解码状态计算权重,再用 WeightSum 生成上下文向量;反向时汇总编码器状态的两路梯度。TimeAttention 为每个解码时刻组合一个 Attention 并累计各步对编码器的贡献。
结构图:
classDiagram
class AttentionWeight {
+forward(hs, h)
+backward(da)
}
class WeightSum {
+forward(hs, a)
+backward(dc)
}
class Attention {
+forward(hs, h)
+backward(dout)
}
class TimeAttention {
+forward(hs_enc, hs_dec)
+backward(dout)
}
TimeAttention *-- Attention : 每个解码时刻一个
Attention *-- AttentionWeight : 计算权重
Attention *-- WeightSum : 加权求和
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- Attention · 查看原书依据
self.attention_weight_layer = AttentionWeight() self.weight_sum_layer = WeightSum()
参考来源
- 位置:《深度学习进阶:自然语言处理》第8章《Attention》8.1(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0013_split_001.html)
- 结论依据:正文给出四个类的接口和正反向组合。
- 原始内容:self.attention_weight_layer = AttentionWeight() self.weight_sum_layer = WeightSum()