DL之self-attention：self-attention自注意力機(jī)制的簡介、應(yīng)用之詳細(xì)攻略

?

?

?

目錄

self-attention的簡介

1、self-attention的影響

2、self-attention模塊思路的8個步驟及其代碼實現(xiàn)

self-attention的應(yīng)用領(lǐng)域

---

?

參考文章
一文讀懂自注意力機(jī)制：8大步驟圖解+代碼

?

相關(guān)文章
DL之Attention：Attention的簡介、應(yīng)用領(lǐng)域之詳細(xì)攻略
DL之self-attention：self-attention的簡介、應(yīng)用之詳細(xì)攻略

self-attention的簡介

? ? ? ?一個self-attention模塊接收n個輸入，然后返回n個輸出。這個模塊中發(fā)生了什么呢？用外行人的話說，self-attention機(jī)制允許輸入與輸入之間彼此交互(“self”)，并找出它們應(yīng)該更多關(guān)注的對象(“attention”)。輸出是這些交互和注意力得分的總和。

?

1、self-attention的影響

? ? ? ?BERT, RoBERTa, ALBERT, SpanBERT, DistilBERT, SesameBERT, SemBERT, MobileBERT, TinyBERT, CamemBERT……共同之處是BERT，但是最底層則是self-attention。
? ? ? ?“BERT”的架構(gòu)，更準(zhǔn)確地說是基于Transformer的架構(gòu)。基于Transformer的架構(gòu)主要用于建模語言理解任務(wù)，避免了神經(jīng)網(wǎng)絡(luò)中的遞歸，而是完全依賴于self-attention機(jī)制來繪制輸入和輸出之間的全局依賴關(guān)系。

?

2、self-attention模塊思路的8個步驟及其代碼實現(xiàn)

DL之self-attention：self-attention模塊思路的8個步驟及其代碼實現(xiàn)

1、準(zhǔn)備輸入
2、初始化權(quán)重	每個輸入必須有三個表示(見下圖)。這些表示稱為鍵(key，橙色)、查詢(query，紅色)和值(value，紫色)。在本例中，我們假設(shè)這些表示的維數(shù)是3。因為每個輸入的維數(shù)都是4，這意味著每組權(quán)重必須是4×3。 注：在神經(jīng)網(wǎng)絡(luò)設(shè)置中，這些權(quán)重通常是很小的數(shù)字，使用適當(dāng)?shù)碾S機(jī)分布(例如高斯、Xavier和Kaiming分布)進(jìn)行隨機(jī)初始化。
3、推導(dǎo)key,?query?和?value	注：在實踐中，偏差向量(bias vector )可以添加到矩陣乘法的乘積。
4、計算輸入1的注意力得分	為了獲得注意力得分，我們首先在輸入1的查詢(紅色)和所有鍵(橙色)之間取一個點積。因為有3個鍵表示(因為有3個輸入)，我們得到3個注意力得分(藍(lán)色)。 從查詢1中計算注意力得分(藍(lán)色)
5、計算softmax	在所有注意力得分中使用softmax(藍(lán)色)。
6、將分?jǐn)?shù)與值相乘	每個輸入的softmaxed attention 分?jǐn)?shù)(藍(lán)色)乘以相應(yīng)的值(紫色)。結(jié)果得到3個對齊向量(黃色)。在本教程中，我們將它們稱為加權(quán)值。 由值(紫色)和分?jǐn)?shù)(藍(lán)色)的相乘推導(dǎo)出加權(quán)值表示(黃色)
7、將權(quán)重值相加，得到輸出1	將所有加權(quán)值(黃色)按元素指向求和，結(jié)果向量[2.0,7.0,1.5](深綠色)是輸出1，該輸出基于輸入1與所有其他鍵(包括它自己)進(jìn)行交互的查詢表示。
8、對輸入2和輸入3重復(fù)步驟4-7	已經(jīng)完成了輸出1，我們對輸出2和輸出3重復(fù)步驟4到7。

?

?

self-attention的應(yīng)用領(lǐng)域

更新……

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的DL之self-attention：self-attention自注意力机制的简介、应用之详细攻略的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。