Моделът последователност-към-последователност
Много езикови задачи преобразуват една последователност в друга, чиято дължина е различна и не е известна предварително — изречение на английски се превръща в изречение с различна дължина на френски. Единствен класификатор не може да направи това. Seq2Seq разделя задачата на две: една мрежа прочита целия вход и компресира значението му в контекстно представяне, а втора мрежа разгръща това представяне в изхода по един токен в даден момент, като всеки нов токен се обуславя от това, което вече е генерирал.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Sutskever, I., Vinyals, O. & Le, Q. V. (2014). Sequence to Sequence Learning with Neural Networks. NeurIPS. link ↗
- Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H. & Bengio, Y. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. EMNLP, 1724–1734. DOI: 10.3115/v1/D14-1179 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/bg/deep-learning/seq2seq
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Механизъм на вниманиетоДълбоко обучение↔ compare
- Финна настройка на BERTДълбоко обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Многоглаво самовниманиеДълбоко обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →