超级会员免费看
本文详细介绍了Seq2Seq模型的缺点，包括信息丢失、解码器对齐问题及处理未知词汇问题，并探讨了Attention、Coverage和Pointer机制作为优化方法，以解决这些问题。此外，还涵盖了 Beam Search 算法在模型预测中的应用，以及Seq2Seq模型在机器翻译、自动对话等任务中的实际应用案例。
《原始论文：Sequence to Sequence Learning with Neural Networks》
Seq2Seq模型是将一个序列信号，通过“编码&解码”生成一个新的序列信号，通常用于机器翻译、语音识别、自动对话等任务。
Seq2Seq(多层LSTM-多层LSTM)+Attention架构是Transformer提出之前最好的序列生成模型。
我们之前遇到的较为熟悉的序列问题，主要是利用一系列输入序列构建模型，预测某一种情况下的对应取值或者标签，在数学上的表述也就是通过一系列形如 X i = ( x
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
