输入

编码方式：

• one-hot:
• word-embedding:能更明显的区分不同类别的输入
  
  
  图也能看作是多个向量输入
  

输出

• 每个向量都有一个label

• 一整个sequence有一个label
  
• 模型自己决定有多少个label（sequence to sequence）
  

---

重点介绍每个vector有一个label

• saw词性第一个和第二个不同，但是网络无法识别
• 通过联系上下文解决
  
  
  self-attention不只是只能做一次，能做很多次
  
• 文章： attention is all you need - transformer

• 第一步：找到与a1相关的向量， a表示两个向量的关联程度
• 计算a：
  • dot-product
  • additive
    
    
    自己跟自己也要计算关联度：
    
• 再计算softmax，得到每个的重要分数
  
• 最后每个向量生成一个v，每个向量对应的权重与另外的向量v相乘累加作为最终那个向量的输出
  
  
  用矩阵的形式表示：
  
  q与k计算attention分数，可以用矩阵与向量相乘表示：
  
  多个向量的话组成一个矩阵，可以看作是矩阵和矩阵相乘：
  
  $A=K^T\ast Q$
  $A^{\prime }=softmax(A)$

输出 $O=V\ast A^{\prime }$

总的过程如下：

唯一要学习的参数就是$W^q$, $W^k$, $W^v$

不同的变体

• multi-head self-attention

注意到self-attention 没有位置信息。
可以加入position编码信息（手工，或者学习得到）

应用

• 语音
  
  由于语音数据非常大，可以采用truncated方式只看很小的一个范围，一定范围之内的数据就能完成
  
• 图像
  
  整张图片5103， 每个位置的pixel看作是一个三维向量，每张图看做是一个5*10的向量
  
  
  
  

• rnn如果需要记得之前的信息的话需要一直保存到memory
• rnn不能并行
  
• 图