从机器翻译到 Transformer

左右滑动查看完整图解 ↔

放大阅读图解 ↗

本讲目录

49页课堂主线

一句译文里的决定

语言分析怎样参与翻译

从单位到向量

沿句子更新状态

完整地生成一句译文

需要时回头读取

重新组织完整 Transformer

从任务数据到预训练

让图像提供缺少的颜色

让同一计算少搬数据

回到研究选择

完整资源推导(可选)

本页说明

学习材料

同一套规则,逐步读完九个单位

T10 · 同一套规则,逐步读完九个单位

简单平均丢失了组合。RNN让当前词向量与过去状态共同计算新状态,以同一套参数处理变长输入。

状态 b0

我、e(我)、h1上下对齐,后续位置暂灰。

状态 b1

昨天的词向量与刚才h1一起进入下一次状态更新。

状态 b2

完整九位状态出现;tanh逐坐标作非线性变换,将实数压到−1与1之间。θ为共享参数,h为随当前句和位置改变的量。

公式与算例详情

九行词向量与九个源状态一一对齐。形式为h_t=tanh(W_x e(x_t)+W_h h_{t-1}+b)。tanh是逐坐标施加的非线性函数,把任意实数压到−1与1之间。θ包含W_x、W_h、b等跨步共享参数,h_t则是一次读句子时的中间计算量。更长输入意味着更多次调用共享规则,不是临时训练更多网络。

词向量来自查表,状态组合了当前输入和之前状态;两者不能混称同一个对象。此处完整九步为计算路径示意,只有随后我/昨天的两步使用明确教学数值。

继续学习

状态在流动,梯度可以停在边界 · LAB01:C · 共享参数的梯度到底加了几次?

历史推导与原实验身份:S06 · S07。旧切分、代词、权重与测量保留原任务条件,不能替换成本轮九单位新句。