← 返回刚才阅读的位置

知识卡片

结构图卡 · 10089.a.1.c.8.a.4.a · 生成模型:未记录

注意力序列模型组合

理解等级:中级

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?

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》8.2(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