Attention机制--concat方式

最新推荐文章于 2025-04-17 14:10:34 发布

原创

最新推荐文章于 2025-04-17 14:10:34 发布 · 2.7k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#python #深度学习

本文深入探讨了使用 PyTorch 实现的 Seq2Seq 模型，并介绍了如何结合 Attention 机制以提高翻译等任务的性能。文章首先介绍了 Seq2Seq 基础，然后详细解释了 Attention 机制的工作原理，特别是 Concat 式 Attention 的计算过程。接着，给出了 Encoder 和 Decoder 的实现代码，并展示了 Attention 层的输出。最后，演示了整个解码过程，强调了 Attention 在解码中的作用。

本文主要参考github上一个开源的seq2seq教程，在此基础上稍作修改

https://github.com/bentrevett/pytorch-seq2seq/blob/master/3%20-%20Neural%20Machine%20Translation%20by%20Jointly%20Learning%20to%20Align%20and%20Translate.ipynb

1.Seq2Seq模型

Seq2Seq模型
在我上一篇文章有这个代码，原理就是一开始利用编码器的hidden，解码器去生成相应的字符。

2.Attention机制

虽然Seq2Seq模型可以通过encoder生成的上文信息来生成相应的字符或者词语，但是却不能理解encoder中输入序列中句子内部的词语和词语，字符和字符之间潜在的关系。例如我们做翻译的时候，要将英文中的动词转化为中文，我们应该更关注英文中的动词词汇。这就是attention机制，它可以告诉我们每次翻译时更应该关注英文中的哪一部分。
在这里插入图片描述
计算权重的方式有很多，这里介绍最基础的一种：concat
原理是通过encoder每层最后一个状态和encoder中每个输入进行相应计算，最后得到一个权重向量。如图所示，将encoder的输入和s0叠加之后，经过两个线性变换得到权重向量。得到的权重每次decoder做解码的时候都要更新一次。因此attention的计算量要比传统的Seq2Seq要大的多。
在这里插入图片描述

在这里插入图片描述

3.代码

首先是Encoder，和传统的Seq2Seq基本没有区别，只是多了一个要输出最后一层的状态。

# 此例子默认编码器解码器的hidden_size相同
class Encoder(nn.Module):
    def __init__(self, input_dim, emb_dim, hidden_size, n_layers, dropout=0.5, bidirectional=True):
        super(Encoder, self).__init__()

        self.hidden_size = hidden_size
        self.n_layers = n_layers

        self.embedding = nn.Embedding(input_dim, emb_dim)  # input_dim数量等于源语言的字符数
        self.gru = nn.GRU(emb_dim, hidden_size, n_layers, dropout=dropout, bidirectional=bidirectional)
        self.fc = nn.Linear(hidden_size*2, hidden_size)

    def forward(self, input_seqs):
        # input_seqs  [seq_len, batch]

        embedded = self.embedding(input_seqs)
        # embedded  [seq_len, batch, embed_dim]
        
        outputs, hidden = self.gru(embedded)
        # outputs  [seq_len, batch, hidden_size * 2]
        # hidden is stacked [forward_1, backward_1, forward_2, backward_

最低0.47元/天解锁文章