适用于 Keras 的注意力层。支持 Luong 和 Bahdanau 的评分函数。
已通过 Tensorflow 2.8, 2.9, 2.10, 2.11, 2.12, 2.13 和 2.14 测试(2023 年 9 月 26 日)。
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/bab1a461-01a9-4734-9551-83a6412c150c.png" width="600"> </p>PyPI
pip install attention
Attention( units=128, score='luong', **kwargs )
units
:整数。注意力向量 ($a_t$) 中的(输出)单元数量。
score
:字符串。评分函数 $score(h_t, \bar{h_s})$。可能的值是 luong
或 bahdanau
。
形状为 (batch_size, timesteps, input_dim)
的 3D 张量。
(batch_size, num_units)
($a_t$) 的 2D 张量。如果你想查看注意力权重,可以参考这个例子 examples/add_two_numbers.py。
import numpy as np from tensorflow.keras import Input from tensorflow.keras.layers import Dense, LSTM from tensorflow.keras.models import load_model, Model from attention import Attention def main(): # 虚拟数据。在此示例中没有任何需要学习的内容。 num_samples, time_steps, input_dim, output_dim = 100, 10, 1, 1 data_x = np.random.uniform(size=(num_samples, time_steps, input_dim)) data_y = np.random.uniform(size=(num_samples, output_dim)) # 定义/编译模型 。 model_input = Input(shape=(time_steps, input_dim)) x = LSTM(64, return_sequences=True)(model_input) x = Attention(units=32)(x) x = Dense(1)(x) model = Model(model_input, x) model.compile(loss='mae', optimizer='adam') model.summary() # 训练。 model.fit(data_x, data_y, epochs=10) # 测试保存/重新加载模型。 pred1 = model.predict(data_x) model.save('test_model.h5') model_h5 = load_model('test_model.h5', custom_objects={'Attention': Attention}) pred2 = model_h5.predict(data_x) np.testing.assert_almost_equal(pred1, pred2) print('成功。') if __name__ == '__main__': main()
浏览 examples。
在运行示例之前安装依赖项:pip install -r examples/examples-requirements.txt
。
在此实验中,我们展示了使用注意力在 IMDB 数据集上可以获得更高的准确性。我们考虑两个 LSTM 网络:一个有此注意力层,另一个有全连接层。这两个模型具有相同数量的参数 (250K),以进行公平的比较。
以下是 10 次运行的结果。对于每次运行,我们记录为期 10 轮训练中测试集上的最大准确率。
测量 | 无注意力 (250K 参数) | 注意力 (250K 参数) |
---|---|---|
最大准确率 | 88.22 | 88.76 |
平均准确率 | 87.02 | 87.62 |
标准差准确率 | 0.18 | 0.14 |
正如预期的那样,使用注意力的模型准确性有所提升。它还减少了运行之间的变异性,这是一个很好的特性。
让我们考虑一个任务:将一些分隔符 (此处为 0) 之后出现的两个数字相加:
x = [1, 2, 3, 0, 4, 5, 6, 0, 7, 8]
。结果是 y = 4 + 7 = 11
。
我们期望在分隔符之后注意力最高。下面展示了训练的概述,其中顶部代表注意力图,底部代表真实值。随着训练的进行,模型学习任务并且注意力图接近真实值。
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/b116fe52-f183-4e4f-bd99-f3c3392026c7.gif" width="320"> </p>我们考虑多个等长的一维序列。任务是找到每个序列的最大值。
我们将由 RNN 层处理的完整序列传递给注意力层。我们期望注意力层聚焦于每个序列的最大值。
经过几轮训练后,注意力层完美地收敛到我们期望的结果。
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/d864f354-ba7d-4776-8d41-89b2877cfba0.png" width="320"> </p>AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该 项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号