机器学习和深度学习-- 李宏毅（笔记于个人理解）Day 21

本文主要是介绍机器学习和深度学习-- 李宏毅（笔记于个人理解）Day 21，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Day 21 Self- Attention

选修部分

​

学完自适应 再回来看看

Sequence Labling

假如我们现在有一个需要读完全部句子才能解的问题， 那么red window 就需要变得是最大的（最长的句子）；

其实这里大家有没有想过，这个玩意儿就是个卷积网络CNN，所谓的window 就是卷积核

what is self Attention?

how self-attention work

主要考虑 Dot -product

实际操作自己也要做关联计算qk

如果b¹ 和 v² 比较接近的话，那么我们就说这a1 和a2 比较像

b1 --b4 是同时产生的

矩阵运算的角度

你也可以不做softmax（Relu 也行）

（小bug是 a_head 换成 '）

Multi-head -self-attention

Positional Encoding

hand - crafted (s to s 的规则使得不会超过位置信息)

can learned from data

这里感觉不到数学的巧妙，只是感到了工程的流水线的简洁和高效

Applicantions

Self -attention vs CNN

弹性较大，数据较小的时候容易过拟合

提问：

1. 我们知道 fc 和cnn差不多(无非是fc更宽一些，如果你把cnn当初fc做的话有可能丢失位置信息，或可能需要postion encode)，那么问你为什么不把windows变得很大去卷积呢？
2. 如果说像老师说的
3. 无法得知最长的sequerence
4. 参数量大（这里不太明白参数量大在什么地方）

Self-Attention vs RNN

1. 这里和我理解的差不多，就是特征彼此离得太远有点记不住了
2. RNN 无法进行并行计算

Self - Attention for Graph

可以做智能知识图谱哎，相关性度量；this is one type of Graph Neural Network(GNN)

这篇关于机器学习和深度学习-- 李宏毅（笔记于个人理解）Day 21的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---