← 返回刚才阅读的位置

知识卡片

结构图卡 · 10089.a.1.c.8.a.4 · 生成模型:未记录

注意力层的组合

理解等级:中级

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?

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

    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()