مقارنة النماذج
تقارن هذه الصفحة تكوينات محددة (مثل ResNet-50 أو BERT-base)، لا عائلات عامة؛ فكل رقم مرتبط بالتكوين المذكور في رأس عموده. «غير محدد» تعني أن الرقم غير موثق في الأطلس.
| الخاصية | Transformer | Long Short-Term Memory |
|---|---|---|
| العائلة | المحوّلات | الشبكات العصبية التكرارية |
| سنة الظهور | 2017 | 1997 |
| الباحثون | Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones,… | Sepp Hochreiter, Jürgen Schmidhuber |
| نوع المعمارية | Encoder–decoder Transformer | Gated recurrent network |
| آلية التعلم | supervised | supervised |
| التكوين المقارن | Transformer (base): N = 6، d_model = 512، h = 8، d_ff = 2048 | LSTM (I = 128، H = 256، مخرج 10) |
| شكل المدخل | n رمزاً للمصدر و n للهدف | T × 128 |
| شكل المخرج | n × 37000 | 10 |
| العمق | 6 طبقات مشفّر + 6 طبقات فك تشفير | طبقة LSTM واحدة |
| Parameters (محسوبة) | 63,084,544 ≈63.08M | 397,834 ≈397.83K |
| Parameters (منشورة) | 65,000,000 ≈65M | غير محدد |
| MACs | 8,363,966,464 ≈8.36B لمصدر وهدف بطول n = 128: من torch.utils.flop_counter (تشمل الإسقاط المقيَّد إلى المفردات). | 19,663,360 ≈19.66M لتسلسل T = 50: T·4H(I+H) + H·O. |
| التعقيد | الانتباه O(n²·d) لكل طبقة، والطبقات الخطية O(n·d²). | O(T·4H(I+H))؛ أربعة أضعاف RNN البسيطة بالأبعاد نفسها. |
| المهام | الترجمة الآلية، تحويل التسلسلات | نمذجة التسلسلات، الترجمة الآلية، التعرف على الكلام، التنبؤ بالسلاسل الزمنية |
| أبرز ميزة | تدريب متوازٍ بالكامل | تتعلم اعتماديات طويلة |
| أبرز قيد | كلفة الانتباه تربيعية في طول التسلسل | معالجة تسلسلية لا تتوازى زمنياً |
| حالة المراجعة | يحتاج مراجعة | يحتاج مراجعة |
| افتراضات الحساب | nn.Transformer في PyTorch مع تضمين مشترك 37,000 × 512 وإسقاط مخرج مقيَّد. يضيف PyTorch تطبيعين نهائيين (2,048 معاملاً)، وحجم المفردات الفعلي قد يختلف قليلاً، لذا يختلف المجموع عن 65M المذكورة. | أبعاد تعليمية. عرف PyTorch: انحيازان لكل بوابة (b_ih و b_hh). الصيغة مع بوابة النسيان (Gers وآخرون 2000). |
العلاقات المسجلة بين النماذج المقارنة
- Transformer بديل Long Short-Term Memory — يحل محل الشبكات التكرارية.
