标签：context RNN attention mechanism vector 思考 output hidden
1. 了解有几种attention mechanism
- Seq2Seq, from a sequence input to a sequence output.
- Align & Translate, A potential problem of the vanilla Seq2Seq architecture is that some information might not be captured by a fixed-length vector, i.e., the final hidden state from the encoder (ht). This can be especially problematic when processing long sentences where RNN is unable to send adequate information to the end of the sentences due to gradient exploding, etc.
- utilize a context vector to align the source and target inputs. The context vector preserves information from all hidden states from encoder cells and aligns them with the current target output.
- the hidden state at time t, ht; context vector c_i. annotations (h1,..., ht);
- Visual attention, align the input image and output word, tackling the image captioning problem.
- Hierarchical attention, 有层次的attention，sentence attention + word attention.
- Transfer and BERT,
2. 它们的原理分别是什么？
3. 哪种attention可以用在paper上.
self-attention, 以及有没有什么hierarchical attention可以用的。
4. 优势是什么？
Supplement knowledge:
- 双向RNN，因为时刻t的输出不仅取决于之前时刻的信息，还取决于未来的时刻，所以有了双向RNN。比如要预测一句话中间丢失的一个单词，有时只看上文是不行的，需要查看上下文。双向RNN很简单，就是两个互相叠加的RNN。
References:
标签：context,RNN,attention,mechanism,vector,思考,output,hidden 来源： https://www.cnblogs.com/dulun/p/13394877.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。