注意力机制(基于seq2seq-RNN)详解_第1页
注意力机制(基于seq2seq-RNN)详解_第2页
注意力机制(基于seq2seq-RNN)详解_第3页
注意力机制(基于seq2seq-RNN)详解_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

注意力机制(基于seq2seqRNN)详解本节提出了注意力（Attention）机制，这是神经网络翻译的最新解决方案。

注意力的思想是2015年在论文“NeuralMachineTranslationbyJointlyLearningtoAlignandTranslate”（DzmitryBahdanau，KyunghyunCho和YoshuaBengio，ICLR，2015）中提出的，它需要在编码器和解码器RNN之间增加额外的连接。事实上，仅将解码器与编码器的最新层连接会存在信息瓶颈，而且不一定能够传递先前编码器层的信息。

下图说明了采用注意力机制的方法：

图1引入注意力模型的NMT示例

需要考虑以下三个方面：将当前目标隐藏状态与所有先前的源状态一起使用，以导出注意力权重，用于给先前序列中的信息分配不同的注意力大小。总结注意力权重的结果创建上下文向量。将上下文向量与当前目标隐藏状态相结合以获得注意力向量。具体做法通过使用库tf.contrib.seq2seq.LuongAttention来定义注意力机制，该库实现了文献“EffectiveApproachestoAttention-basedNeuralMachineTranslation”（Minh-ThangLuong，HieuPham和ChristopherD.Manning，2015）中定义的注意力模型：

通过一个注意力包装器，使用所定义的注意力机制作为解码器单元进行封装：

运行代码查看结果。可以立即注意到注意力机制在BLEU评分方面产生了显著的改善：

解读分析注意力机制是使用编码器RNN内部状态获得的信息，并将该信息与解码器的最终状态进行组合的机制，关键思想是可以对源序列中的信息分配不同的注意力。下图的BLEU得分显示了应用注意力

人人文库> 全部分类> 教育资料 > 备课教案

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论