Effective Approaches to Attention-based Neural Machine Translation笔记
一、概要
时间步t
1 首先使用最顶层堆叠LSTM的隐含层ht作为输入,以获得语境向量ct
2 进而预测出目标单词yt
global和local的区别仅在于语境向量ct的获取方式
3 拼接隐含层ht和语境向量ct,以获得注意力隐含层状态
4 接着注意力向量ht通过softmax层去生成预测分布
二、global attention 关注全局
思想:在生成语境向量ct时,考虑编码器里所有的隐含层状态
通过比较当前目标隐含层状态ht和每一个源隐含层状态hs,生成变长对齐向量at
score是基于内容的函数,计算方式有dot、general、concat三种。
在论文的早期尝试中,作者曾使用基于定位location-based的方式,其对齐score函数是仅通过目标隐含层ht计算出来
给出了对齐向量作为权重,语境向量ct就被计算为所有的源隐含层状态hs的加权平均值
三、local attention 关注局部
global attention的局限:需要在关注源端的每一个目标单词,计算复杂度高且可能导致翻译长句子的时候出现问题。
local attention的思想:只需要关注源位置附近的单词子集。
关注一个窗口,且是可微的
- 时间步t
- 先生成一个对齐位置pt
- 语境向量ct即为窗口pt-D到pt+D中源隐含层hs的加权平均。
和global不一样的,local的对齐向量是固定维度的。
两种变形
1 monotonic alignment(local-m)
pt=t,即假设源和目标序列是粗略地单调对齐
2 predictive alignment (local-p)
其中,
wp和vp是待学习的模型参数
S是源句子长度
为选择pt附近的对齐点,放置一个以pt为中心的高斯分布
根据经验设定
四、输入feeding方法
global和local的问题:注意力的决定是独立的。
解决:注意力向量ht被拼接进LSTM的下一步输入中。
好处:
- 完整考虑之前的对齐选项
- 网络在广度和深度都是深的
Effective Approaches to Attention-based Neural Machine Translation笔记相关推荐
- [持续更新] 神经机器翻译论文汇总 Papers on Neural Machine Translation
[持续更新] 神经机器翻译论文汇总 Papers on Neural Machine Translation 源文地址 :http://polarlion.github.io/nmt/2017/02/ ...
- 《Effective Approaches to Attention-based Neural Machine Translation》—— 基于注意力机制的有效神经机器翻译方法
目录 <Effective Approaches to Attention-based Neural Machine Translation> 一.论文结构总览 二.论文背景知识 2.1 ...
- 【Paper】Effective Approaches to Attention-based Neural Machine Translation
论文原文:PDF 论文年份:2015 论文被引:4675(2020/11/08) 7232(2022/03/26) 论文作者:Minh-Thang Luong et.al. 文章目录 Abstract ...
- 【论文笔记】Effective Approaches to Attention-based Neural Machine Translation
这篇文章发布2015年,关于Attention的应用. 现在看来可能价值没那么大了,但是由于没读过还是要读一遍. 简介 Introduce In parallel, the concept of &q ...
- 注意力机制Effective Approaches to Attention-based Neural Machine Translation
Effective Approaches to Attention-based Neural Machine Translation nlp三大顶会:ACL.EMCNLP.NACL 学起于思,思起于疑 ...
- Attention Focusing for Neural Machine Translation by Bridging Source and Target Embeddings 论文总结
Attention Focusing for Neural Machine Translation by Bridging Source and Target Embeddings 论文总结 该文是阅 ...
- 基于PyTorch实现Seq2Seq + Attention的英汉Neural Machine Translation
NMT(Neural Machine Translation)基于神经网络的机器翻译模型效果越来越好,还记得大学时代Google翻译效果还是差强人意,近些年来使用NMT后已基本能满足非特殊需求了.目前 ...
- 复现有道NLPCC-2018 CGEC:A Neural Machine Translation Approach to Chinese Grammatical Error Correction
有道NLPCC-2018 CGEC任务论文:A Neural Machine Translation Approach to Chinese Grammatical Error Correction ...
- 论文阅读(三):Text2Sign: Towards Sign Language Production using Neural Machine Translation and GAN
Abstract 概述:我们提出了一种新的方法,利用最近的发展神经机器翻译(NMT),生成对抗性网络(GANs)和运动生成来生成手语.我们的系统能够从口语句子中生成手语视频.与当前依赖于大量注释数据的 ...
最新文章
- Attention is All You Need?LSTM提出者:我看未必
- 计算机电路门,7.3 门电路计算机操作系统原理.pdf
- AlertDialog 宽度充满整个屏幕
- JVM字节码之整型入栈指令(iconst、bipush、sipush、ldc)
- python的人工智能和c++的有什么区别_为什么人工智能岗位有些招聘C/C 有些招聘Python到底哪门编程语言更重要(恰恰相反C++在人工智能方面的用处很大)...
- 基于JAVA+JSP+MYSQL的小说网站阅读管理系统
- evolving checkers players [Fogel and Chellapilla, 2002]
- Realtek无线网卡在Linux,gentoo下Realtek无线网卡的解决方案…
- python转换js_python转换Javascript
- angular-6大主流前端框架(一)
- macd底背离的python_python量化交易是否可以有策略有效识别MACD/SKDJ底背离和顶背离?...
- Allegro对不规则outline处理
- html表格里面怎么合并单元格的快捷键,excel合并单元格快捷键是什么
- 演唱会系统mysql_演唱会售票管理系统数据库设计.doc
- mysql sql日期截取年月日_sql截取日期/时间的单独部分,比如年、月、日、小时、分钟等等...
- PLC通讯实现-C#实现AB-CIP以太网通讯
- wps office 2013 WPS表格2010怎么为表格设置图形背景
- 易灵思Ti60 FPGA专题(1)-器件和需求介绍
- HKU MaRS livox camera calib使用过程
- ruoyi 页面跳转_若依及vue-element-admin vue 管理系统第三方拼多多登录