ECANet（EfficientChannelAttentionNetwork）是一种新颖的注意力机制，用于深度神经网络中的特征提取，它可以有效地减少模型参数量和计算量，提高模型的性能。ECANet注意力机制是针对通道维度的注意力加权机制。它的基本思想是，通过学习通道之间的相关性，自适应地调整通道的权重，以提高网络的性能。ECANet通过两个步骤实现通道注意力加权： 1.提取通道特征 2.计算通道权重用pytorch实现ECANet注意力机制：importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassECANet
近来，几种长上下文语言模型陆续问世，包括GPT-4（上下文长度为32k）、MosaicML的MPT（上下文长度为65k）Anthropic的Claude（上下文长度为100k）。长文档查询和故事写作等新兴用例已经表明扩展语言模型上下文窗口是非常必要的。然而，扩大Transformer的上下文长度是一个挑战，因为其核心的注意力层在时间复杂度和空间复杂度与输入序列长度的平方成正比。一年前，来自斯坦福大学、纽约州立大学布法罗分校的研究者共同提出一种快速、内存高效的注意力算法——FlashAttention。该算法无需任何近似即可加速注意力并减少内存占用。现在，已经有许多机构和研究实验室采用Flash
继超快且省内存的注意力算法FlashAttention爆火后，升级版的2代来了。FlashAttention-2是一种从头编写的算法，可以加快注意力并减少其内存占用，且没有任何近似值。比起第一代，FlashAttention-2速度提升了2倍。甚至，相较于PyTorch的标准注意力，其运行速度最高可达9倍。一年前，StanfordAILab博士TriDao发布了FlashAttention，让注意力快了2到4倍，如今，FlashAttention已经被许多企业和研究室采用，广泛应用于大多数LLM库。如今，随着长文档查询、编写故事等新用例的需要，大语言模型的上下文以前比过去变长了许多——GPT-
😄额，本想学学XLNet的，然后XLNet又是以transformer-XL为主要结构，然后transformer-XL做了两个改进：一个是结构上做了segment-level的循环机制，一个是在attention机制里引入了相对位置编码信息来避免不同segment的同一位置采用相同的绝对位置编码的不合理。但无奈看到相对位置编码这里我懵住了，只好乖乖追溯回去原始论文来学习学习嘿嘿🐶。🦄本文将以公式原理+举例的方式让你秒懂，放心食用。🚀RPR这论文就5页，方法部分就2页，看完结合网上理解下就ok了。🚀论文链接：https://arxiv.org/pdf/1803.02155.pdf👀三位谷歌大佬
LEA:ImprovingSentenceSimilarityRobustnesstoTyposUsingLexicalAttentionBias论文阅读KDD2023原文地址Introduction文本噪声，如笔误(Typos),拼写错误(Misspelling)和缩写(abbreviations),会影响基于Transformer的模型.主要表现在两个方面:Transformer的架构中不使用字符信息.由噪声引起的词元分布偏移使得相同概念的词元更加难以关联.先前解决噪声问题的工作主要依赖于数据增强策略,主要通过在训练集中加入类似的typos和misspelling进行训练.数据增强确实使得
Multi-ModalAttentionNetworkLearningfor SemanticSourceCodeRetrieva Multi-ModalAttentionNetworkLearningfor SemanticSourceCodeRetrieval，题目意思是用于语义源代码检索的多模态注意网络学习，2019年发表于ASE的##研究什么东西Background:研究代码检索技术，对于一个代码存储库进行方法级别的搜索，给定一个描述代码片段功能的短文，从代码存储库中检索特定的代码片段。论文挑战和贡献前人的做法Gu等人[6]是第一个将深度学习网络应用于代码检索任务的人，它在中间语义空间
1.SKAttention模块链接：SelectiveKernelNetworks2.模型结构图：3.论文主要内容由于不同大小的感受野对于不同尺度的目标有不同的效果，论文目的是使得网络可以自动地利用对分类有效的感受野捕捉到的信息。为了解决这个问题，作者提出了一种新的深度结构在CNN中对卷积核的动态选择机制，该机制允许每个神经元根据输入信息的多尺度自适应地调整其感受野（卷积核）的大小。称为“选择性核（SelectiveKernel）”，它可以更好地捕捉复杂图像空间的多尺度特征，而不会像一般的CNN那样浪费大量的计算资源。SKN的另一个优点是它可以聚合深度特征，使它更容易理解，同时也允许更好的可解
1.模型结构 Attention-LSTM模型分为输入层、LSTM层、Attention层、全连接层、输出层五层。LSTM层的作用是实现高层次特征学习；Attention层的作用是突出关键信息；全连接层的作用是进行局部特征整合，实现最终的预测。 这里解决的问题是：使用Attention-LSTM模型进行数据的预测。完整的代码在文末展示。1.输入层 输入层是全部特征进行归一化之后的序列。归一化的目的是保证特征处于相似的尺度上，有利于加快梯度下降算法运行速度。可以使用MAX-MIN归一化的方法。归一化用EXCEL公式即可做到。2.LSTM层 LSTM单元内部
1.模型结构 Attention-LSTM模型分为输入层、LSTM层、Attention层、全连接层、输出层五层。LSTM层的作用是实现高层次特征学习；Attention层的作用是突出关键信息；全连接层的作用是进行局部特征整合，实现最终的预测。 这里解决的问题是：使用Attention-LSTM模型进行数据的预测。完整的代码在文末展示。1.输入层 输入层是全部特征进行归一化之后的序列。归一化的目的是保证特征处于相似的尺度上，有利于加快梯度下降算法运行速度。可以使用MAX-MIN归一化的方法。归一化用EXCEL公式即可做到。2.LSTM层 LSTM单元内部
英文参考链接：https://vaclavkosar.com/ml/cross-attention-in-transformer-architecture交叉注意力与自我注意力 除了输入，cross-attention计算与self-attention相同。交叉注意力不对称地组合了两个相同维度的独立嵌入序列，相比之下，自注意力输入是一个单一的嵌入序列。其中一个序列用作查询输入，而另一个用作键和值输入。SelfDoc中的替代交叉注意力，使用来自一个序列的查询和值，以及来自另一个序列的键。前馈层与交叉注意力相关，除了前馈层确实使用softmax并且其中一个输入序列是静态的。 Augmenting
