文章大纲
- 注意力机制
-
- 不同 种类的注意力机制
- Encoder Decoder 框架
- 自注意力
- 自注意力机制概述
-
- **基本原理**
- **优点与应用**
- **自注意力与多头注意力的关系**
- **总结**
- 多头注意力
- **多头注意力机制概述**
-
- **基本原理**
-
- **计算过程**
- **多头注意力的优势**
- **多头自注意力与多头注意力的区别**
- **总结**
- 编码器解码器
- Transformer 架构
- 笔试面试经典问题
-
-
- 1. 请解释Transformer中的自注意力机制（Self-Attention Mechanism）是如何计算的，并推导出其时间复杂度。为什么自注意力机制比传统的RNN更适合处理长序列？
- 2. 在Transformer模型中，为什么需要使用多头注意力机制（Multi-Head Attention Mechanism）？请详细说明其工作原理，并解释如何通过多头注意力机制提高模型的表达能力。
- 3. 请解释Transformer中的位置编码（Positional Encoding）是如何实现的，并讨论其在模型中的重要性。你认为是否有其他替代方法可以实现相同的功能？
- 4. 在Transformer模型的训练过程中，为什么需要使用掩码机制（Masking）？请详细说明不同类型的掩码及其作用。
- 5. Transformer模型在处理长序列时可能会遇到哪些挑战？请讨论可能的解决方案，并解释这些解决方案如何改进模型性能。
-
- Transformer 典型应用
- 参考文献
前序文章
- 《自然语言处理实战入门》深度学习基础 ---- Transformer 与Attention 架构初探
- 《自然语言处理实战入门》深度学习基础 ---- Attention 注意力机制 ，Transformer 深度解析与学习材料汇总
灵长类动物的视觉系统接受了大量的感官输入， 这些感官输入远远超过了大脑能够完全处理的程度。 然而，并非所有刺激的影响都是相等的。 意识的聚集和专注使灵长类动物能够在复杂的视觉环境中将注意力引向感兴趣的物体，例如猎物和天敌。 只关注一小部分信息的能力对进化更加有意义，使人类得以生存和成功。
自19世纪以来，科学家们一直致力于研究认知神经科学领域的注意力。 本章的很多章节将涉及到一些研究。
首先回顾一个经典注意力框架，解释如何在视觉场景中展开注意力。 受此框架中的注意力提示（attention cues）的启发， 我们将设计能够利用这些注意力提示的模型。 1964年的Nadaraya-Waston核回归（kernel regression）正是具有 注意力机制（attention mechanism&#x
