台大李宏毅21年机器学习课程 self-attention和transformer

【开发者开源大赛】明靓舒尔特方格儿童注意力训练器

明靓舒尔特方格儿童注意力训练器源码,因操作方法很简单,所以就不用详细说明操作方法了.看上图即可明白.

Attention 是一种通用的带权池化方法，输入由两部分构成：询问（query）和键值对（key-value pairs）。 不同的attetion layer的区别在于score函数的选择，两种常用的注意层 Dot-product Attention 和 Multilayer Perceptron Attention 点积注意力 class DotProductAttention(nn.Module): def __init__(self, dropout, **kwargs): super(DotProductAttention, self).__init_

加入注意力机制的LSTM 对航空乘客预测_nsq1101的博客-CSDN博客.html

参考1：李宏毅 https://www.bilibili.com/video/av9770302?p=9 （上图应该省略了一个归一化层，模型通过标签知道应该(x1,y1)对应的值是最大的，就会学习到这样一个概率分布，这里直接将attention的weight作为output的distribution）  把(x1,y1)丢进去产生新的z1,继而产生新的attention的weight 当END的attention的weight最大时结束 另一个参考模型图： pointer network的另一个应用：对文本进行summary 不使用pointer network：解码器产生key与编码

目前关系抽取方法中，传统深度学习方法存在长距离依赖问题，并且未考虑模型输入与输出的相关性。针对以上问题，提出了一种将LSTM（long short-term memory）模型与注意力机制相结合的关系抽取方法。将文本信息向量化，提取文本局部特征，再将文本局部特征导入双向LSTM模型中，通过注意力机制对LSTM模型的输入与输出之间的相关性进行重要度计算，根据重要度获取文本整体特征；最后将局部特征和整体特征进行特征融合，通过分类器输出分类结果。在SemEval-2010 task 8语料库上的实验结果表明，该方法的准确率和稳定性较传统深度学习方法有进一步提高，为自动问答、信息检索以及本体学习等领域提供了方法支持。

经典注意力机制的实现 参照李沐老师的动手深度学习

这篇论文的思路特别好： 我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。 我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

事件抽取是自然语言处理中一项具有挑战性的任务，对于后续的信息处理有重要作用。本文采用BiLSTM模型与Attention层结合，完成了事件触发词检测，实现了事件类别的分类。与以往的事件检测方法相比，本文将两类任务视作同一个任务，避免了上游任务对下游任务的影响，使用神经网络学习特征，引入注意力机制突出重点信息。在MELL语料上进行生物事件抽取实验，结果表明准确率和召回率较高，F1值为81.66%，优于以往的方法。