毕设代做网站,怎样建设卡盟网站,怎么样自己做百度网站,dede资讯类网站模板Transformer 文章目录 Transformer #x1f449;引言#x1f48e; 一、 自注意力机制 #xff1a; 主要用于 长距离依赖捕捉和转换序列二、 Encoder#xff1a;2.1 多头注意力机制#xff1a;2.2 残差连接#xff1a; 三、 Decoder#xff1a;3.1 Decoder 多头注意力…Transformer 文章目录 Transformer 引言 一、 自注意力机制 主要用于 长距离依赖捕捉和转换序列二、 Encoder2.1 多头注意力机制2.2 残差连接 三、 Decoder3.1 Decoder 多头注意力层3.2 交叉注意力层3.3 Transformer中的全连接层 四、 自注意力过程 - 从 KQV维度解读 引言
学习的最大理由是想摆脱平庸早一天就多一份人生的精彩迟一天就多一天平庸的困扰。 热爱写作愿意让自己成为更好的人… …
铭记于心✨我唯一知道的便是我一无所知✨
一、 自注意力机制 主要用于 长距离依赖捕捉和转换序列 二、 Encoder
2.1 多头注意力机制 Q *K【Q 矩阵和 K矩阵的转置之间做矩阵乘法词向量做点积】 得到分数矩阵查询映射到键一个单词对其他单词的关注度经过开方 scale缩放和softmax得到注意力权重注意力分数然后 *V 得到输出向量 而多头注意力就是输入前先将向量分成多组 Q和K然后经过上述自注意力过程 拼接在一起 此时 每个词向量dim维度增加再经过Linear层降维到 原维度
总之,多头注意力是一个模块,用于计算输入的注意力权重,并生成一个带有编码信息的输出向量,指示序列中的每个词如何关注其他所有词
2.2 残差连接
将多头注意力输出向量加到原始输入上然后输出经过层归一化归一化后的残差输出被送入点对点前馈网络Feed Forward进行进一步处理。点对点前馈网络是几个线性层中间有ReLU激活函数。
再次将该输出与点对点前馈网络的输入相加并进一步归一化。残差连接有助于网络训练因为它允许梯度直接流过网络。 使用层归一化来稳定网络从而显著减少所需的训练时间。点对点前馈层用于进一步处理注意力输出可能使其具有更丰富的表达。
可以将编码器堆叠n次进一步编码信息每一层都有机会学习到不同的注意力表示
三、 Decoder
自回归生成单词序列有 两个多头注意力层 和一个点对点前馈网络层类似于编码器但每个多头注意力层的任务不同。最后它由一个类似于分类器的线性层和一个softmax来得到单词概率。
解码器将先前输出的列表作为输入以及包含来自输入的注意力信息的编码器输出。当编码器生成一个结束标记作为输出时解码停止。输入通过嵌入层和位置编码层得到位置嵌入。位置嵌入被送入第一个多头注意力层计算解码器输入的注意力得分。
使用mask 只访问之前的单词防止计算未来 3.1 Decoder 多头注意力层
与其他层的不同之处就在于 多了一个mask层来防止计算未来的单词 3.2 交叉注意力层
使用来自Encoder的输出 作为其K和V矩阵而Q矩阵则来自Decoder的前一层的输出。这种交叉注意力机制允许Decoder关注到输入序列的相关部分。
在Transformer模型的编码器部分输出不包括Q查询)矩阵。编码器的自注意力层会生成自己的Q、K和V矩阵但是它只将K和V传递给解码器。编码器的Q矩阵用于其内部的自注意力计算它不会作为输出传递到解码器。
编码器的任务是处理输入序列,创建一个上下文表示,该表示包含了输入序列的整体信息。编码器的输出即编码器最后一层的输出),就是这个上下文表示它为每个输入序列元素提供了一个丰富的特征集。当这些输出被传递到解码器时它们充当K和V矩阵的角色解码器会使用这些信息来生成输出序列。
在解码器端会有自己的自注意力层和交叉注意力层。自注意力层会使用己来自解码器上一层的输出作为Q、K和V矩阵而交叉注意力层会使用这一层生成的Q矩阵以及从编码器传入的K和V矩阵。 总结来说编码器和解码器都会生成自己的Q矩阵但编码器的Q矩阵只在编码器内部使用而不会传递给解码器。解码器使用自己的Q矩阵以及编码器提供的K和V矩阵来进行交叉注意力计算。
Transformer模型的Decoder在其第一个多头注意力层使用的是基于自身输出的自注意力机制其中既产生了针对当前解码焦点的Q矩阵也产生了提供上下文信息的K和V矩阵。这样的设计使得Decoder能够有效地整合先前生成的序列信息以及通过交叉注意力机制有效地利用Encoder的输出。
3.3 Transformer中的全连接层
内部结构在Transformer架构中全连接层是自注意力机制和多头注意力机制之后的关键组成部分。这些层在每个注意力模块之后出现用于进一步处理信息。前馈网络Transformer的每个编码器和解码器层都包含一个前馈网络该网络实际上是由两个线性全连接层组成中间有一激活函数。这些层对于添加网络容量和学习复杂特征非常重要。输出映射在处理任务如序列到序列的翻译时Transformer模型的输出端通常会有一个全连接层用于将解码器的输出映射到目标语言的词汇表上。
四、 自注意力过程 - 从 KQV维度解读
对某一个查询向量 Query可以理解为正在计算注意力分数的词。而 Key 向量和 Value 向量是我们正在关注的词即该词与查询词的相关程度首先 初始化Q,K,V的映射线性层[ batch, seq_lens, h_dim ] 然后将 输入 经过Embedding和位置编码的词嵌入矩阵[ batch, seq_lens, e_dim ] 映射为 KQV 然后 注意力的故事就开始了… 在多头注意力中拼接后 再来一层linear 又降回到了 e_dim… 一个自注意力过程 下面点积 说法 实际上是 Q和K转置的矩阵乘从第二维度开始 由于Q和K是高维度的张量batch size所以整个操作实际上是一系列点积的集合 Q中的每个查询向量与K中的每个键向量之间的点积 组成 ·
