深度学习核心技术精讲100篇（十一）-Google利器超强特征提取网络（Transformer）

前言

谷歌于2017年提出 Transformer网络架构，此网络一经推出就引爆学术界。目前，在NLP领域，Transformer模型被认为是比CNN，RNN都要更强的特征提取器。

Transformer算法简介

Transformer引入了self-attention机制，同时还借鉴了CNN领域中残差机制（Residuals），由于以上原因导致transformer有如下优势：

• 模型表达能力较强，由于self-attention机制考虑到了句子之中词与词之间的关联，
• 抛弃了RNN的循环结构，同时借用了CNN中的残差结构加快了模型的训练速度。

接下来我们来看看transformer的一些细节：

• 首先Scaled Dot-Product Attention步骤是transformer的精髓所在，作者引入Q，W，V参数通过点乘相识度去计算句子中词与词之间的关联重要程度。其大致过程如图所示，博主将会在实战部分具体介绍此过程如何实现。

   

  

  Scaled Dot-Product Attention

• 第二个是muti-head步骤，直白的解释就是将上面

文章来源: wenyusuran.blog.csdn.net，作者：文宇肃然，版权归原作者所有，如需转载，请联系作者。

原文链接：wenyusuran.blog.csdn.net/article/details/107333458