ต่อไปคำแนะนำต่อไป
การแก้ไขแบบเน้นความสนใจแบบทันทีทันใด
วิชวลเอไอ
คู่มือ AI ภาษา
ข้ามความสนใจ
ความสนใจข้ามช่วยให้การสอบถามจากตัวแทนหนึ่งเข้าร่วมกับคีย์และค่าจากตัวแทนอีกรายหนึ่ง
บนหน้านี้อ่าน 2 นาที
ภาพรวม
It is used to connect source and target sequences or different modalities.
เจาะลึก
Cross-attention lets queries from one representation attend to keys and values from another. The Transformer uses this in encoder-decoder layers; latent diffusion uses it for text-conditioned generation. Flamingo uses gated cross-attention layers to connect visual features to a language model and is designed to ingest arbitrarily interleaved visual and textual inputs, including images or video. These are architecture-specific examples, not a universal multimodal design. In Flamingo, cross-attention blocks are gated by a tanh-transformed learned scalar initialized to zero; this is an architecture-specific control and not a claim about how often cross-attention is used across multimodal systems.
ผลกระทบเชิงกลยุทธ์
ความเร็วและขนาด
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
เข้าถึงและเข้าถึง
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
การตัดสินใจที่ชัดเจนยิ่งขึ้น
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
อนาคตของการมุ่งความสนใจแบบข้ามมิติ
When inspecting a multimodal model, identify which stream supplies queries and which supplies keys and values. Evaluate alignment and failure cases across the relevant modalities. The cited papers do not establish one universal cross-attention design.
การใช้งานจริงในโลกแห่งความเป็นจริง
In an encoder-decoder Transformer, decoder queries attend to encoder outputs.
Latent diffusion models use cross-attention to condition image latents on text embeddings.
Flamingo inserts cross-attention layers so a language model can use visual features.
Different sequence lengths are possible because queries and key-value context need not have matching lengths.
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
สำรวจต่อไป
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Cross-Attention quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
คำถามที่พบบ่อย
What is Cross-Attention?
Cross-attention lets queries from one representation attend to keys and values from another representation. It is used to connect source and target sequences or different modalities.
ความแตกต่างที่สำคัญระหว่างการเอาใจใส่ตนเองและการเอาใจใส่ข้ามคืออะไร?
ความสนใจข้ามจะดึงคำถามจากลำดับหนึ่ง (เช่น ตัวถอดรหัส) และคีย์และค่าจากอีกลำดับหนึ่ง (เช่น ตัวเข้ารหัส) โดยปล่อยให้ทั้งสองโต้ตอบกัน
ใน Transformer ตัวเข้ารหัส-ตัวถอดรหัส คำค้นหาสำหรับความสนใจแบบข้ามมาจากไหน
ตัวถอดรหัสจะสร้างแบบสอบถามจากเอาต์พุตที่สร้างขึ้นเพียงบางส่วน จากนั้นใช้เอาต์พุตตัวเข้ารหัสเป็นคีย์และค่าเพื่อดึงข้อมูลอินพุตที่เกี่ยวข้อง
เหตุใดทั้งสองลำดับในการสนใจข้ามจึงสามารถมีความยาวหรือรูปแบบที่แตกต่างกันได้
เนื่องจากการสืบค้นมาจากแหล่งหนึ่งและคีย์/ค่าจากอีกแหล่งหนึ่ง ลำดับจึงไม่ขึ้นอยู่กับความยาว ภาษา หรือรูปแบบที่แตกต่างกัน
Stable Diffusion ใช้การสนใจข้ามสายอย่างไร
การให้ความสนใจข้ามทำให้แต่ละส่วนของรูปภาพที่สร้างขึ้นสนใจกับข้อความแจ้ง โดยยึดถือภาพเป็นคำ
การดำเนินการทางคณิตศาสตร์แบบใดที่การสนใจข้ามมีร่วมกับการเอาใจใส่ตนเอง
ทั้งสองใช้ความสนใจแบบดอทโปรดัคที่มีขนาดเท่ากัน: คะแนนความคล้ายคลึงกันระหว่างข้อความค้นหาและคีย์ ค่าซอฟต์แม็กซ์ จากนั้นจึงเป็นผลรวมของค่าแบบถ่วงน้ำหนัก
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้