LSTM已死，Transformer当立（LSTM is dead. Long Live Transformers! ）：上

白马负金羁

于 2023-02-10 10:43:27 发布

阅读量1.2k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：自然语言处理信息检索文章标签： transformer NLP 深度学习机器翻译

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/baimafujinji/article/details/126069407

自然语言处理信息检索专栏收录该内容

35 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了如何仅使用Attention和Self-Attention构建Seq2seq模型，详细阐述了从Single-head到Multi-head Attention的过程，揭示了Transformer在NLP领域的并行计算优势，探讨了其替代RNN的原因。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

回想一下在Seq2seq模型中，如何使用Attention。这里简要回顾一下【1】介绍的方法2（并以此为基础展开对Transformer的讨论）。

下图中包含一个encoder（左）和一个decoder（右）。对于decoder来说，给定一个输入 $\mathbf{x}'_j$ ，得到输出 $\mathbf{s}_j$ ，如何进一步得到context vector $\mathbf{c}_j$ 呢？

我们需要根据 $\mathbf{h}_i$ 和 $\mathbf{c}_j$ 的相关性来计算权重

了解本专栏

超级会员免费看

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

白马负金羁 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。