论文名字：ROFORMER: ENHANCED TRANSFORMER WITH ROTARY POSITION EMBEDDING 这篇论文主要介绍了一种名为RoFormer的增强型Transformer模型，其核心是提出了旋转位置嵌入（RoPE）方法来改进Transformer中的位置编码机制，具体内容如下： [\begin{equation} \begin{split} q_m &...

论文名字：Self-Attention with Relative Position Representations 绝对位置编码有明显的局限性，不能处理超过训练数据长度的序列，token之间的位置关系，表达不清晰。 自注意力子层输出计算: [z_{i}=\sum_{j=1}^{n} \alpha_{i j}\left(x_{j} W^{V}\right)] 注意力权重...

1. 引言 梯度计算是深度学习的核心机制之一，PyTorch通过 自动微分（Autograd） 系统实现了高效的梯度计算。本文将深入解析PyTorch中梯度计算的原理与实现细节。 2. 计算图与反向传播 PyTorch采用 动态计算图（Dynamic Computation Graph）： 前向传播时实时构建计算图 每个张量操作被记录为图中的节点 反向传播时自动计算梯度 ...

RQ-VAE（Residual Quantized Variational Autoencoder）方法详解 一、 方法概述 Residual-Quantized Variational AutoEncoder（RQ-VAE）是一种结合了残差连接（Residual Connection）和量化技术（Quantization）的变分自编码器（VAE）。 它旨在通过引入这些技术，提高模型的生成...

Flash Attention 计算正确性数学推导 标准注意力计算 给定查询矩阵 \(Q \in \mathbb{R}^{N \times d}\)，键矩阵\(K \in \mathbb{R}^{N \times d}\)，值矩阵\(V \in \mathbb{R}^{N \times d}\)，标准注意力输出\(O \in \mathbb{R}^{N \times d}\)计算为： ...

Self-Attention 与 Cross-Attention 的区别及实现细节 应用场景 类型 应用场景 示例 Self-Attention 单序列内部关系建模 Transformer 编码器、文本分类 Cross-Attentio...

看看gpt2的代码，改成生成式推荐需要的代码。 https://github.com/huggingface/transformers/blob/main/src/transformers/models/gpt2/modeling_gpt2.py # coding=utf-8 # Copyright 2018 The OpenAI Team Authors and HuggingFace ...

一、常用损失函数及使用场景 1. 均方误差（MSE, Mean Squared Error） 公式： \[L = \frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2\] 使用场景：回归任务（如房价预测、温度预测）。 优点：计算简单，梯度平滑，收敛快。 缺点：对异常值敏感，可能导致梯度爆炸。 图像特点：二次函数曲线...

简单做个demo，对一批文本数据进行预处理，方便后续训练 """ 步骤 1：安装依赖库 """ # !pip install datasets transformers """ 步骤 2：准备文件结构 """ # 假设原始数据存放结构： # ./raw_data/ # ├── part-0001.txt # ├── part-0002.txt # └── ...（数千个文本文...

温度系数的作用 在Softmax损失函数中引入温度系数（Temperature Scaling）的目的是通过调节概率分布的“尖锐”或“平滑”程度，优化模型的训练或推理效果。具体作用如下： 控制输出分布的平滑度 温度系数公式： \[p_i = \frac{\exp(z_i / \tau)}{\sum_{j=1}^C \exp(z_j / \tau)}\...