Model sekwencyjny do sekwencyjnego (Seq2Seq)
Model sekwencyjny do sekwencyjnego (Seq2Seq), wprowadzony przez Sutskevera, Vinyalsa i Le oraz przez Cho i współpracowników w 2014 roku, jest siecią neuronową typu enkoder-dekoder, która mapuje sekwencję wejściową o zmiennej długości na sekwencję wyjściową o zmiennej długości. Stanowi on podstawę tłumaczenia maszynowego, streszczania tekstu, systemów dialogowych i generowania kodu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/pl/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.
- Mechanizm uwagiUczenie głębokie↔ compare
- Dostrajanie BERTUczenie głębokie↔ compare
- Random ForestUczenie maszynowe↔ compare
- Multi-Head Self-AttentionUczenie głębokie↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →