Modèle séquence-à-séquence (Seq2Seq)
De nombreuses tâches linguistiques transforment une séquence en une autre dont la longueur diffère et n'est pas connue à l'avance — une phrase en anglais devient une phrase de longueur différente en français. Un classificateur unique ne peut pas faire cela. Seq2Seq divise le travail en deux : un réseau lit l'intégralité de l'entrée et compresse son sens en une représentation contextuelle, et un second réseau déploie cette représentation, un jeton à la fois, chaque nouveau jeton étant conditionné par ce qu'il a déjà produit.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/fr/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.
- Mécanisme d'attentionApprentissage profond↔ compare
- Ajustement fin de BERTApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Auto-attention multi-têtesApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →