- 1、本文档共20页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
文本摘要:Transformers在文本摘要中的应用:
3.Transformers架构详解
1Transformers架构基础
1.1Transformers的起源与动机
Transformers架构首次在2017年由Vaswani等人在论文《AttentionisAllYou
Need》中提出,旨在解决传统序列模型如RNN和LSTM在处理长序列时的效率
和性能问题。在自然语言处理(NLP)领域,尤其是文本摘要任务中,
Transformers通过其独特的自注意力机制,能够并行处理输入序列,显著加快了
训练速度,并且在理解长距离依赖关系上表现出色。
1.1.1动机
并行处理:RNN和LSTM需要按顺序处理序列,这限制了它们在
GPU上的并行计算能力。Transformers通过自注意力机制,允许模型同
时关注序列中的所有位置,从而实现并行计算。
长距离依赖:在文本摘要等任务中,理解文本中长距离的依赖关
系至关重要。自注意力机制使模型能够直接关注到序列中的任何位置,
而无需依赖于序列的顺序,这在处理长文本时尤其有效。
1.2自注意力机制详解
自注意力(Self-Attention)机制是Transformers架构的核心,它允许模型在
处理序列时,对序列中的每个位置的词进行加权,以捕捉词与词之间的关系。
自注意力机制通过计算查询(Query)、键(Key)和值(Value)的点积,然后
通过softmax函数进行归一化,最后与值进行加权求和,得到每个位置的输出。
1.2.1原理
自注意力机制基于以下三个向量:查询(Query)、键(Key)和值(Value)。
对于序列中的每个位置,查询向量代表该位置的词,键向量代表序列中所有词,
值向量同样代表序列中所有词。自注意力机制通过计算查询向量与所有键向量
的点积,得到一个权重分布,然后使用这个权重分布对所有值向量进行加权求
和,得到该位置的输出。
1.2.2示例代码
importtorch
importtorch.nnasnn
1
classSelfAttention(nn.Module):
def__init__(self,embed_size,heads):
super(SelfAttention,self).__init__()
self.embed_size=embed_size
self.heads=heads
self.head_dim=embed_size//heads
assert(self.head_dim*heads==embed_size),Embedsizeneedstobedivisiblebyheads
self.values=nn.Linear(self.head_dim,self.head_dim,bias=False)
self.keys=nn.Linear(self.head_dim,self.head_dim,bias=False)
self.queries=nn.Linear(self.head_dim,self.head_dim,bias=False)
self.fc_out=nn.Linear(heads*self.head_dim,embed_size)
defforward(self,values,keys,query,mask):
N=query.shape[0]
value_len,key_len,query_len=values.shape[1],keys.shape[1],query.shape[1]
#Splitembeddingintoself.headspieces
values=values.reshape(N,value_len,self.heads,self.head_dim)
keys=keys.reshape(N,key_len,self.heads,self.head_dim)
queries=query.reshape(N,quer
您可能关注的文档
- 图像生成:Midjourney:Midjourney工具与插件使用教程.pdf
- 图像生成:Midjourney:深度学习与图像生成.pdf
- 图像生成:Midjourney:图像超分辨率增强技术.pdf
- 图像生成:Midjourney:图像风格迁移技术实战.pdf
- 图像生成:Midjourney:图像生成技术的商业变现策略.pdf
- 图像生成:Midjourney:图像生成技术概论.pdf
- 图像生成:Midjourney:图像生成算法基础.pdf
- 图像生成:Midjourney:图像生成中的GANs模型详解.pdf
- 图像生成:Midjourney高级技巧与案例分析.pdf
- 图像生成:Midjourney社区资源与合作项目介绍.pdf
文档评论(0)