网站建设费的账务处理,自建网站需要哪些技术,网站建设员课程,iapp影视源码#x1f935;♂️ 个人主页: AI_magician #x1f4e1;主页地址#xff1a; 作者简介#xff1a;CSDN内容合伙人#xff0c;全栈领域优质创作者。 #x1f468;#x1f4bb;景愿#xff1a;旨在于能和更多的热爱计算机的伙伴一起成长#xff01;#xff01;… ♂️ 个人主页: AI_magician 主页地址 作者简介CSDN内容合伙人全栈领域优质创作者。 景愿旨在于能和更多的热爱计算机的伙伴一起成长 ♂️声明本人目前大学就读于大二研究兴趣方向人工智能硬件虽然硬件还没开始玩但一直很感兴趣希望大佬带带 作者 计算机魔术师 版本 1.0 2023.10.15 摘要 本系列旨在普及那些深度学习路上必经的核心概念文章内容都是博主用心学习收集所写欢迎大家三联支持本系列会一直更新核心概念系列会一直更新欢迎大家订阅 该文章收录专栏 [✨— 《深入解析机器学习从原理到应用的全面指南》 —✨] Transformer
注意力Attention机制由Bengio团队与2014年提出并在近年广泛的应用在深度学习中的各个领域例如在计算机视觉方向用于捕捉图像上的感受野或者NLP中用于定位关键token或者特征。谷歌团队近期提出的用于生成词向量的BERT算法在NLP的11项任务中取得了效果的大幅提升堪称2018年深度学习领域最振奋人心的消息。而BERT算法的最重要的部分便是本文中提出的Transformer的概念。 背景和动机
作者采用Attention机制的原因是考虑到RNN或者LSTMGRU等的计算限制为是顺序的也就是说RNN相关算法只能从左向右依次计算或者从右向左依次计算这种机制带来了两个问题 时间片 t 的计算依赖 t−1 时刻的计算结果这样限制了模型的并行能力 传统的序列模型如循环神经网络存在着长期依赖问题难以捕捉长距离的依赖关系。顺序计算的过程中信息会丢失尽管LSTM等门机制的结构一定程度上缓解了长期依赖的问题但是对于特别长期的依赖现象,LSTM依旧无能为力。故提出了用CNN来代替RNN的解决方法平行化)。 长期依赖关系见笔记本 [classical concept.md](classical concept.md) 但是卷积神经网络只能感受到部分的感受野需要多层叠加才能感受整个图像而transformer注意力机制可以一层感受到全部序列并提出了 Multi-Head Attention 实现和卷积网络多个输出识别不同模式的效果 故提出了自注意力机制
我们下面的内容依次按照模型的顺序讲解首先讲解Positional Encoding在讲解自注意力机制和多头注意力机制再到全连接和跳跃连接
Positional Encoding
由于 Transformer 模型没有显式的顺序信息没有循环神经网络的迭代操作为了保留输入序列的位置信息顺序关系需要引入位置编码。位置编码是一种向输入嵌入中添加的特殊向量不被训练的用于表示单词或标记在序列中的位置。
相比起直接 concatenate 直接相加似乎看起来会被糅合在输入中似乎位置信息会被擦除我们可以假设concatenate 一个独热向量p_i 代表其位置信息 如图所示最后也可以看为二者相加但是此时的e^i 的权重W_P是可以被learn的 WP根据研究表明这个WP learn 有人做过了在convolution中seq to seq中类似的学习参数做法效果并不是很好还有说其实会添加很多的不必要的参数学习等issue地址https://github.com/tensorflow/tensor2tensor/issues/1591https://datascience.stackexchange.com/questions/55901/in-a-transformer-model-why-does-one-sum-positional-encoding-to-the-embedding-ra 不过我觉得实验才是真理但似乎目前我还没有看到相关实验如果有请在评论区留言所以有一个人手设置的非常奇怪的式子产生确定WP 其中WP 绘图如图所示 Transformer 模型一般以字为单位训练论文中使用了 sin(罪) 和 cos 函数的线性变换来提供给模型位置信息.
理想情况下信息编码piece of information的设计应该满足以下条件
它应该为每个字时间步输出唯一的编码不同长度的句子之间任何两个字时间步之间的差值应该保持一致我们的模型应该无需任何努力就能推广到更长的句子。它的值应该是有界的。它必须是确定性的
在Transformer中位置编码器的函数可以由以下公式表示 P E ( p o s , 2 i ) sin ( p o s 1000 0 2 i / d model ) PE_{(pos, 2i)} \sin\left(\frac{{pos}}{{10000^{2i/d_{\text{model}}}}}\right) PE(pos,2i)sin(100002i/dmodelpos) P E ( p o s , 2 i 1 ) cos ( p o s 1000 0 2 i / d model ) PE_{(pos, 2i1)} \cos\left(\frac{{pos}}{{10000^{2i/d_{\text{model}}}}}\right) PE(pos,2i1)cos(100002i/dmodelpos)
其中 p o s pos pos表示输入序列中的位置 i i i表示位置编码中的维度索引 d model d_{\text{model}} dmodel表示Transformer模型的隐藏单元大小。
您可能想知道正弦和余弦的这种组合如何表示位置 / 顺序其实很简单假设你想用二进制格式来表示一个数字会怎样可以发现不同位之间的变化在每个数字上交替第二低位在每两个数字上轮换依此类推。但在浮点数世界中使用二进制值会浪费空间。因此我们可以使用它们的浮点连续对应物 - 正弦函数。事实上它们相当于交替位。
这个公式中的分数部分将位置 p o s pos pos进行了缩放并使用不同的频率 1000 0 2 i / d model 10000^{2i/d_{\text{model}}} 100002i/dmodel来控制不同维度的变化速度。这样不同位置和不同维度的位置编码会得到不同的数值形成一个独特的向量表示 正弦位置编码的另一个特点是它允许模型毫不费力地关注相对位置。以下是原论文的引用 We chose this function because we hypothesized it would allow the model to easily learn to attend by relative positions, since for any fixed offset k, PEposk can be represented as a linear function of PEpos. https://kazemnejad.com/blog/transformer_architecture_positional_encoding/ 这篇文章就很好的讲解了这是因为其实这个添加的位置offset可以通过PEpos本身dot product 一个矩阵M得到对应offset后的结果PEposk相当于线性变换独立于时间变量t) 总结来看位置编码器采用正弦和余弦函数的函数形式是为了满足一些重要特性以便在Transformer模型中有效地表示位置信息。 周期性: 使用正弦和余弦函数能够使位置编码具有周期性。使得位置编码的值在每个维度上循环变化。这对于表示序列中的不同位置非常重要因为不同位置之间可能存在重要的依赖关系。连续性: 正弦和余弦函数在输入空间中是连续的。这意味着相邻位置之间的位置编码也是连续的有助于保持输入序列中的顺序信息的连贯性。维度关联: 位置编码中的维度与Transformer模型的隐藏单元大小相关联。这意味着不同维度的位置编码会以不同的频率变化从而能够捕捉不同尺度的位置信息。较低维度的位置编码可以更好地表示较短距离的依赖关系而较高维度的位置编码可以更好地表示较长距离的依赖关系。 到这里如果还有什么疑问欢迎私信博主问题哦博主会尽自己能力为你解答疑惑的如果对你有帮助你的赞是对博主最大的支持
