---

深度学习知识点总结

专栏链接:
https://blog.csdn.net/qq_39707285/article/details/124005405
此专栏主要总结深度学习中的知识点，从各大数据集比赛开始，介绍历年冠军算法；同时总结深度学习中重要的知识点，包括损失函数、优化器、各种经典算法、各种算法的优化策略Bag of Freebies (BoF)等。

---

从RNN到Attention到Transformer系列

专栏链接:
https://blog.csdn.net/qq_39707285/category_11814303.html
此专栏主要介绍RNN、LSTM、Attention、Transformer及其代码实现。

---

---

图解Attention

Attention相关详细介绍及其代码实现见文章《从RNN到Attention到Transformer系列-Attention介绍及代码实现》-https://blog.csdn.net/qq_39707285/article/details/124732447

本文以实现翻译为例。假如batchsize=8，第一个batchsize内最大输入单词数为17，最大输出单词数为15(每个batchsize内的最大输入长度根据相应情况变动)。输入词典总数7853(德语)，输出词典总数5893(英语)。

编码器输入size=256，隐藏层size=512，双向GPU

解码器输入size=256，隐藏层size=512，单向GPU

1. Encoder

• one-hot
  输入一个batch的原句，进行one-hot转换，如下所示：
  

第一个batchsize内的输入单词的one-hot表示，如下所示：

shape大小为(17×8)，第一行的2代表<sos>，最后一行的1代表<eos>，每一列代表一句话。

• 词向量编码-(nn.Embedding(7853,256))
  把原句进行词向量编码，如下：
  

• GRU
  编码后的词向量输入到GRU中，输出outputs和hidden。
  
  GRU具体运行过程如下：
  
  第一个输入为<sos>，最后一个输入为<eos>，由于是双向GPU，所以 ，shape为(17×8×1024)，
  $h_n$是最后一个输出，双向所以有两个，shape为(2×8×512)

• 初始化解码器隐藏层状态$s_0$
  由于解码器不是双向的，因此只需要一个上下文向量：
  
  $s_0=h_n$，shape为(8×512)。

• 整体过程
  
  或者
  

2. Attention

• 计算先前解码器隐藏状态和编码器隐藏状态之间的energy
  
  更形象的图解如下，相当于去计算每个编码器隐藏状态与先前解码器隐藏状态$s_0$的“匹配”程度。
  
• 计算attention
  每个batch中每个example的Et维度是 [dec hid dim, src len]，我们希望批处理中的每个示例都是 [src len]，因为注意力应该放在源句子的长度上。这是通过将乘以 v=[1， dec hid dim] 张量来实现的：
  

把v当为所有编码器隐藏状态的能量加权总和的权重。这些权重告诉我们应该关注源序列中的每个令牌的程度。参数v是随机初始化的，但通过反向传播与模型的其余部分一起学习。注意如何v不依赖于时间，并且相同v用于解码的每个时间步长。这里v使用没有偏差的线性层。

最后，确保注意力向量符合使所有元素在 0 和 1 之间以及向量求和为 1 的约束，使用softmax层。

• 整体过程
  
  或者：
  

3. Decoder

• 加权源向量w
  
  
  图中outputs是编码器的输出结果。

• one-hot
  把目标句进行词向量编码，如下：
  

第一个batchsize内的输入单词的one-hot表示，如下所示：

shape大小为(15×8)，第一行的2代表<sos>，最后一行的1代表<eos>，每一列代表一句话。

• 词向量编码-(nn.Embedding(5893,256))
  把原句进行词向量编码，如下：
  
• GRU
  编码后的词向量一个一个输入到GRU中，输出output和hidden，首先输入第一个时，$s_0=h_n$，输入编码后的target和加权源向量wt，如下：
  
  第一个target为<sos>。

• 第一个输出
  使用编码后的target,wt和st通过线性层f，以预测目标句子中的下一个单词。这是通过将它们连接在一起来完成的。
  
• 使用$s_1$更新w和a

不断更新w和a，直到最后一个输入<eos>。

• 整体过程
  

4. 整体过程图解

或者：