Modelo Sequência-para-Sequência
O modelo sequência-para-sequência (Seq2Seq), introduzido por Sutskever, Vinyals e Le e por Cho e colegas em 2014, é uma rede neural codificador-decodificador que mapeia uma sequência de entrada de comprimento variável para uma sequência de saída de comprimento variável. É a base da tradução automática, sumarização de texto, sistemas de diálogo e geração de código.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/pt/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.
- Mecanismo de AtençãoAprendizado profundo↔ compare
- Ajuste Fino de BERTAprendizado profundo↔ compare
- Random ForestAprendizado de máquina↔ compare
- Autoatenção Multi-CabeçaAprendizado profundo↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →