注意力機(jī)制(基于seq2seq-RNN)詳解_第1頁
注意力機(jī)制(基于seq2seq-RNN)詳解_第2頁
注意力機(jī)制(基于seq2seq-RNN)詳解_第3頁
注意力機(jī)制(基于seq2seq-RNN)詳解_第4頁
全文預(yù)覽已結(jié)束

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

注意力機(jī)制(基于seq2seqRNN)詳解本節(jié)提出了注意力（Attention）機(jī)制，這是神經(jīng)網(wǎng)絡(luò)翻譯的最新解決方案。

注意力的思想是2015年在論文“NeuralMachineTranslationbyJointlyLearningtoAlignandTranslate”（DzmitryBahdanau，KyunghyunCho和YoshuaBengio，ICLR，2015）中提出的，它需要在編碼器和解碼器RNN之間增加額外的連接。事實上，僅將解碼器與編碼器的最新層連接會存在信息瓶頸，而且不一定能夠傳遞先前編碼器層的信息。

下圖說明了采用注意力機(jī)制的方法：

圖1引入注意力模型的NMT示例

需要考慮以下三個方面：將當(dāng)前目標(biāo)隱藏狀態(tài)與所有先前的源狀態(tài)一起使用，以導(dǎo)出注意力權(quán)重，用于給先前序列中的信息分配不同的注意力大小。總結(jié)注意力權(quán)重的結(jié)果創(chuàng)建上下文向量。將上下文向量與當(dāng)前目標(biāo)隱藏狀態(tài)相結(jié)合以獲得注意力向量。具體做法通過使用庫tf.contrib.seq2seq.LuongAttention來定義注意力機(jī)制，該庫實現(xiàn)了文獻(xiàn)“EffectiveApproachestoAttention-basedNeuralMachineTranslation”（Minh-ThangLuong，HieuPham和ChristopherD.Manning，2015）中定義的注意力模型：

通過一個注意力包裝器，使用所定義的注意力機(jī)制作為解碼器單元進(jìn)行封裝：

運行代碼查看結(jié)果。可以立即注意到注意力機(jī)制在BLEU評分方面產(chǎn)生了顯著的改善：

解讀分析注意力機(jī)制是使用編碼器RNN內(nèi)部狀態(tài)獲得的信息，并將該信息與解碼器的最終狀態(tài)進(jìn)行組合的機(jī)制，關(guān)鍵思想是可以對源序列中的信息分配不同的注意力。下圖的BLEU得分顯示了應(yīng)用注意力

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論