1️⃣标准注意力机制:
Soft Attention:一种灵活的注意力分配方式,允许模型在序列的不同部分分配不同程度的关注。
Hard Attention:一种严格的注意力分配方式,模型只关注序列中的特定部分。
2️⃣自注意力(Self-Attention):允许序列内部的元素相互交互,广泛用于Transformer模型。
3️⃣多头注意力(Multi-Head Attention):在Transformer中使用,允许模型同时关注序列的不同方面。
4️⃣空间注意力(Spatial Attention):在计算机视觉任务中使用,关注图像的不同空间区域。
5️⃣通道注意力(Channel Attention):特别关注不同特征通道的重要性,常见于视觉处理的卷积神经网络。
6️⃣层次注意力(Hierarchical Attention):在多层次结构(如文档、段落、句子)中使用,分别对不同层级的数据应用注意力。
7️⃣时间注意力(Temporal Attention):用于处理时序数据,如视频分析或音频处理,关注时间序列的不同部分。
8️⃣图注意力网络(Graph Attention Networks, GATs):用于处理图结构数据,允许节点根据其邻居节点的特性分配注意力。
9️⃣协同注意力(Co-Attention):在多模态学习中使用,比如结合视觉和文本信息,模型在两种类型的数据上同时应用注意力。
🔟交叉注意力(Cross-Attention):允许来自两个不同序列的元素相互作用,常见于序列到序列的任务中。