Model Secvență-la-Secvență
Modelul secvență-la-secvență (Seq2Seq), introdus de Sutskever, Vinyals și Le și de Cho și colaboratorii săi în 2014, este o rețea neuronală encoder-decoder care mapează o secvență de intrare de lungime variabilă la o secvență de ieșire de lungime variabilă. Acesta stă la baza traducerii automate, sumarizării textului, sistemelor de dialog și generării de cod.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Sequence-to-Sequence (Seq2Seq) Encoder-Decoder Model. ScholarGate. https://scholargate.app/ro/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.
- Mecanismul de atențieÎnvățare profundă↔ compare
- Reglajul fin BERTÎnvățare profundă↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
- Atenție Multi-Capete (Multi-Head Self-Attention)Învățare profundă↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →