深度学习之NLP学习笔记(七)— Transformer复杂度分析

本文深入探讨了自注意力机制(Self-Attention)的复杂度,并介绍了线性注意力的概念及其在Transformer模型中的应用,包括多头自注意力(MSA)和窗口多头自注意力(W-MSA)等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

复杂度(Complexity)

在这里插入图片描述


Self-Attention复杂度

Attention(Q,K,V)=Softmax(QKTd)VAttention(Q,K,V) = Softmax(\frac{QK^{T}}{\sqrt{d}})VAttention(Q,K,V)=Softmax(dQKT)V
在这里插入图片描述


线性Attention

在这里插入图片描述


Transformer应用

在这里插入图片描述


MSA、W-MSA

在这里插入图片描述
在这里插入图片描述

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Jeremy_lf

你的鼓励是我的动力

¥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

打赏作者

实付
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。

余额充值