Механізм уваги
Механізм уваги, представлений Багданау, Чо та Бенджіо у 2015 році та вдосконалений Луонгом, Фам та Меннінгом того ж року, дозволяє декодеру послідовності динамічно вивчати, на які виходи кодера слід зосередитися на кожному кроці. До появи Трансформера він суттєво покращив якість машинного перекладу, звільнивши моделі від необхідності стискати весь вхідний сигнал в один фіксований вектор.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Джерела
- Bahdanau, D., Cho, K. & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. ICLR. link ↗
- Luong, M.T., Pham, H. & Manning, C.D. (2015). Effective Approaches to Attention-based Neural Machine Translation. EMNLP, 1412–1421. DOI: 10.18653/v1/D15-1166 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). Attention Mechanism (Bahdanau / Luong Attention). ScholarGate. https://scholargate.app/uk/deep-learning/attention-mechanism
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Доналаштування BERTГлибоке навчання↔ compare
- Доналаштування GPTГлибоке навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- Багатоголова самостійна увагаГлибоке навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →