【论文阅读】attention is all you need

这篇博客深入探讨了Transformer模型,它摒弃了传统RNN和CNN,完全依赖于注意力机制以实现并行处理。文章介绍了Layer Normalization的重要性,Scaled Dot-Product Attention的计算过程,以及MASK操作在解码阶段的应用。此外,Positional Encoding被用来补充序列位置信息。论文创新点在于全注意力架构和使用Layer Normalization。潜在的改进点可能是采用余弦相似度替代相似度计算。该研究受到了RNN、CNN以及Attention机制相关工作的启发。

1.论文链接

Attention Is All You Need

2.论文主要为了解决什么问题?

  1. 传统的RNN不能并行处理,如果想要有 h i h_{i} hi,必须要有 h i − 1 h_{i-1} h
评论 1
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
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