Clear.的博客

端到端的神经网络机器翻译（End-to-End Neural Machine Translation）是近几年兴起的一种全新的机器翻译方法。本文首先将简要介绍传统的统计机器翻译方法以及神经网络在机器翻译中的应用，然后介绍NMT中基本的“编码-解码”框架（Encoder-Decoder）。 转载请注明出处：http://blog.csdn.net/u011414416/article/details/

端到端的神经网络机器翻译（End-to-End Neural Machine Translation）是近几年兴起的一种全新的机器翻译方法。前篇NMT介绍的基本RNN Encoder-Decoder结构，RNNenc将源语言句子压缩成一个固定维度的向量是造成性能瓶颈的主要原因。为此，Bengio研究组提出基于注意力（Attention）的NMT，能较好的缓解这一问题并且能更好地处理长距离依赖。本文将

端到端的神经网络机器翻译（End-to-End Neural Machine Translation）是近几年兴起的一种全新的机器翻译方法。前面介绍了NMT的基本RNN Encoder-Decoder结构以及Attention Mechanism。但是经典的Encoder-Decoder结构存在一个明显的问题，就是源端与目标端都使用固定大小的词典，OOV词通常用一个UNK表示，如果目标端词典太大则会

端到端的神经网络机器翻译（End-to-End Neural Machine Translation）是近几年兴起的一种全新的机器翻译方法。前面介绍了NMT的基本RNN Encoder-Decoder结构以及Attention Mechanism。研究这展开了一系列的工作 转载请注明出处：http://blog.csdn.net/u011414416/article/details/51567254

本文将介绍近两年应用到端到端的神经网络模型中的一些优化方法。 转载请注明出处：http://blog.csdn.net/u011414416/article/details/51567362本文将介绍近两年应用到端到端的神经网络模型中的一些参数优化方法，包括SGD、Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam等。本文全文参考自博客：http://sebasti

一个基于Tensorflow的神经网络机器翻译系统 Github地址：https://github.com/zhaocq-nlp/NJUNMT-tf 系统完全基于Tensorflow最基本的array_ops，math_ops, nn_ops实现。 实现了： 1. sequence-to-sequence model 2. transformer 3. model ensemble