Sekvenssistä sekvenssiksi -malli
Sutskeverin, Vinyalsin ja Len sekä Chon ja kollegoiden vuonna 2014 esittelemä sekvenssistä sekvenssiksi (Seq2Seq) -malli on enkooderi-dekooderi-neuroverkko, joka kuvaa muuttuvamittaisen syötesekvenssin muuttuvamittaiseksi tulostesekvenssiksi. Se on konekäännöksen, tekstin tiivistämisen, dialogijärjestelmien ja koodin generoinnin perusta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/fi/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.
- HuomiomekanismiSyväoppiminen↔ compare
- BERT-hienosäätöSyväoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- Monipäinen itsehuomio (Multi-Head Self-Attention)Syväoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →