資訊專欄INFORMATION COLUMN
摘要：一預(yù)測流程及輸入內(nèi)容我們的的是輸入測試集編碼也就是和訓(xùn)練階段輸入一樣，但的是向量維度和訓(xùn)練時的輸入相同。在預(yù)測時，的會傳遞到這邊的個作為其，隨機向量在第一步的時候作為傳入。
好，閑話少說。關(guān)于self-attention的訓(xùn)練階段http://jalammar.github.io/ill...，這篇文章寫的已經(jīng)很清楚，而且確實驗證有效。那么今天扯一下該模型的預(yù)測是怎么做的。
一.預(yù)測流程及輸入內(nèi)容
1.我們的encode的input是輸入測試集編碼（也就是和訓(xùn)練階段輸入一樣），但decode的input是0向量（維度和訓(xùn)練時的輸入相同）。
2.在預(yù)測時，encode的output會傳遞到decode這邊的6個layer作為其k,v，隨機0向量在第一步的時候作為q傳入。（只在第一步作為input傳入，然后開心訓(xùn)練）
二.但為什么傳入的q為0矩陣，模型卻能進行很好的預(yù)測呢。
以我是中國人對應(yīng)i am a chinese舉例。
1.當(dāng)encode訓(xùn)練好后，相對來說我是中國人對應(yīng)的矩陣也就確定了，然后經(jīng)過encode編碼得到最終輸入想decode的output，也就是k，v,而在論文中decode這邊一共有6層網(wǎng)絡(luò)層（每層3個sub-layer），這里的kv會輸入到這6層的每一層，好，關(guān)鍵來了。模型怎么能夠預(yù)測出我對應(yīng)i，這是最重要的一步也是最難理解的一步。在decode層，我們要弄清訓(xùn)練的什么，當(dāng)我們訓(xùn)練好后的這些參數(shù)，其作用又是什么，實際上就是當(dāng)我們傳過來kv時，因為kv已知，是全局變量，我們能夠看到，所以在decode中，i的向量可以理解為當(dāng)指定kv后，又知道訓(xùn)練好的參數(shù)矩陣，經(jīng)過一系列編號，我們第一個的輸出很大概率就是對應(yīng)的i的向量，當(dāng)輸出為i向量時，即預(yù)測對了，然后預(yù)測am，會把第一次i向量作為額外的input加到q上，繼續(xù)進行預(yù)測。直到遇到結(jié)束向量。
三.問題思考
1.論文里的multi-head為什么要這么做，事實上論文提出說因為發(fā)現(xiàn)多頭效果更好，筆者認為因為每個頭的參數(shù)是隨機初始化，所以其學(xué)到的關(guān)于一句話關(guān)注的點就會不同，這樣會加深對原句的學(xué)習(xí)能力，同時，8頭并行減少了訓(xùn)練時間。
2.為什么position embedding是cos和sin，論文解釋可以學(xué)到更長的序列關(guān)系，這點我還沒弄懂。
3.mask是做什么用，使decode只考慮前面的，不考慮后面的，這點隨意百度一下就可以了。
該文不保證完全正確，只做參考。
文章版權(quán)歸作者所有，未經(jīng)允許請勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請注明本文地址：http://systransis.cn/yun/43063.html
摘要：本教程中用到了基于注意力的模型，它使我們很直觀地看到當(dāng)文字生成時模型會關(guān)注哪些部分。運行的時候，它會自動下載數(shù)據(jù)集，使用模型訓(xùn)練一個編碼解碼器，然后用模型對新圖像進行文字描述。 圖像描述類任務(wù)就是給圖像生成一個標題。 給定一個圖像：圖片出處, 許可證：公共領(lǐng)域我們的目標是用一句話來描述圖片， 比如「一個沖浪者正在沖浪」。 本教程中用到了基于注意力的模型，它使我們很直觀地看到當(dāng)文字生成時模型會...
摘要：介紹本次項目使用深度學(xué)習(xí)自動生成圖像字幕。本次，我們利用遷移學(xué)習(xí)使用模型實現(xiàn)此功能。使用對損失修正。至于文本預(yù)測部分與使用注意力機制實現(xiàn)機器翻譯大體一致。 介紹 showImg(https://segmentfault.com/img/bVbkSso?w=2048&h=1358); 本次項目使用深度學(xué)習(xí)自動生成圖像字幕。如上圖，模型自動生成The person is riding a ...
閱讀 1428·2021-10-11 11:12
閱讀 3258·2021-09-30 09:46
閱讀 1644·2021-07-28 00:14
閱讀 3147·2019-08-30 13:49
閱讀 2594·2019-08-29 11:27
閱讀 3248·2019-08-26 11:52
閱讀 610·2019-08-23 18:14
閱讀 3447·2019-08-23 16:27
