知识卡片
注意力序列模型组合
AttentionSeq2seq 使用 AttentionEncoder 返回全部编码状态,由 AttentionDecoder 将解码状态与 TimeAttention 的上下文拼接,再交给仿射层输出得分。模型沿用基础 Seq2seq 的训练组织,初始化时替换编码器和解码器。
结构图:
classDiagram
class Seq2seq
class AttentionSeq2seq
class Encoder
class AttentionEncoder {
+forward(xs)
+backward(dhs)
}
class AttentionDecoder {
+forward(xs, enc_hs)
+backward(dscore)
+generate(enc_hs, start_id, sample_size)
}
class TimeAttention
Seq2seq <|-- AttentionSeq2seq : 继承
Encoder <|-- AttentionEncoder : 继承
AttentionSeq2seq *-- AttentionEncoder : 编码全部状态
AttentionSeq2seq *-- AttentionDecoder : 解码
AttentionDecoder *-- TimeAttention : 按解码步计算上下文
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
class AttentionEncoder(Encoder): def forward(self, xs): xs = self.embed.forward(xs) hs = self.lstm.forward(xs) return hs
参考来源
- 位置:《深度学习进阶:自然语言处理》第8章《Attention》8.2(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0013_split_002.html)
- 结论依据:正文展示类继承、初始化组合与解码器前向方法;其余方法名由正文代码声明。
- 原始内容:class AttentionEncoder(Encoder): def forward(self, xs): xs = self.embed.forward(xs) hs = self.lstm.forward(xs) return hs