Sekvences-sekvences modelis
Sekvences-sekvences (Seq2Seq) modelis, ko 2014. gadā ieviesa Sutskever, Vinyals un Le, kā arī Cho un kolēģi, ir kodētāja-dekodētāja neironu tīkls, kas mainīga garuma ievades sekvenci kartē uz mainīga garuma izvades sekvenci. Tas ir pamats mašīntulkošanai, teksta kopsavilkšanai, dialogu sistēmām un koda ģenerēšanai.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/lv/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 mechanismDziļā mācīšanās↔ compare
- BERT Fine-TuningDziļā mācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Daudzgalvu paše-uzmanībaDziļā mācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →