注意層如何在喀拉拉邦實現？

Question

我正在學習注意力模型及其在keras中的實現。 在搜索時，我首先遇到了這兩種方法， 第二種方法可用來在keras中創建一個關注層

# First method

class Attention(tf.keras.Model):
    def __init__(self, units):
        super(Attention, self).__init__()
        self.W1 = tf.keras.layers.Dense(units)
        self.W2 = tf.keras.layers.Dense(units)
        self.V = tf.keras.layers.Dense(1)

    def call(self, features, hidden):
        hidden_with_time_axis = tf.expand_dims(hidden, 1)
        score = tf.nn.tanh(self.W1(features) + self.W2(hidden_with_time_axis))
        attention_weights = tf.nn.softmax(self.V(score), axis=1)
        context_vector = attention_weights * features
        context_vector = tf.reduce_sum(context_vector, axis=1)

        return context_vector, attention_weights

# Second method

activations = LSTM(units, return_sequences=True)(embedded)

# compute importance for each step
attention = Dense(1, activation='tanh')(activations)
attention = Flatten()(attention)
attention = Activation('softmax')(attention)
attention = RepeatVector(units)(attention)
attention = Permute([2, 1])(attention)

sent_representation = merge([activations, attention], mode='mul')

注意模型背后的數學是

如果我們看一下第一種方法，它在某種程度上是注意力數學的直接實現，而第二種方法在互聯網上的點擊率更高。

我真正的懷疑是第二種方法在這些方面

attention = RepeatVector(units)(attention)
attention = Permute([2, 1])(attention)
sent_representation = merge([activations, attention], mode='mul')

• 哪個是值得關注的正確實施方式？
• 第二種方法中的RepeatVector和Permute層背后的RepeatVector是什么？
• 在第一種方法中， W1 ， W2是權重； 為什么在這里將稠密的層視為權重？
• 為什么將V值視為單個單位致密層？
• V(score)做什么的？

Answer 1

哪個是值得關注的正確實施方式？

我建議以下內容：

https://github.com/tensorflow/models/blob/master/official/transformer/model/attention_layer.py#L24

上面的多標題Attention層實現了一個巧妙的技巧：調整矩陣的形狀，以便將其成形為（batch_size，heads，time_steps，features / heads）而不是成形為（batch_size，heads，time_steps，features / heads），然后執行對“功能/標題”塊的計算。

第二種方法中的RepeatVector和Permute層背后的直覺是什么？

您的代碼不完整...代碼中缺少矩陣乘法（您沒有顯示正在使用的Attention層）。 這可能會修改結果的形狀，並且此代碼試圖以某種方式恢復正確的形狀。 這可能不是最好的方法。

在第一種方法中，W1，W2是權重； 為什么在這里將稠密的層視為權重？

密集層是一組權重...您的問題有點含糊。

為什么將V值視為單個單位致密層？

這是一個非常奇怪的選擇，與我對本文的閱讀或我所看到的實現都不相符。