Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model
Viele Sprachaufgaben wandeln eine Sequenz in eine andere um, deren Länge unterschiedlich ist und nicht im Voraus bekannt ist – ein Satz auf Englisch wird zu einem Satz anderer Länge auf Französisch. Ein einzelner Klassifikator kann dies nicht leisten. Seq2Seq teilt die Arbeit in zwei Teile: Ein Netz liest die gesamte Eingabe und komprimiert deren Bedeutung in eine Kontextrepräsentation, und ein zweites Netz entrollt diese Repräsentation schrittweise in die Ausgabe, wobei jedes neue Token von dem abhängt, was es bereits erzeugt hat.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/de/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.
- Attention MechanismDeep Learning↔ compare
- BERT-FeinabstimmungDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Multi-Head Self-AttentionDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →