LegközelebbKövetkező útmutató
Tanári kényszerítés a sorozatmodellekben
Műszaki
Nyelvi AI ÚTMUTATÓ
A szekvencia‑szeqvencia (seq2seq) modellek egy bemeneti szekvenciát kódolnak, és egy kimeneti szekvenciát generálnak, amely hossza eltérhet a bemenettől.
Hallgassa meg ezt az útmutatótAI-narrált · ~1 min
Attention provides access to source context during decoding.
Early neural machine-translation systems encoded a source sentence into a fixed vector, which constrained long inputs. Bahdanau attention lets a decoder compute context from source hidden states at each step. The Transformer replaces recurrence with attention layers, while sequence-to-sequence variants retain encoder and decoder components. Output length is determined during generation rather than copied from input length.
An encoder can represent a source sentence for translation.
A decoder generates target tokens until an end condition is reached.
Cross-attention uses encoder outputs as keys and values for decoder queries.
Transformer encoder-decoder models such as T5 and BART apply this structure to text tasks.
Choose encoder-decoder or decoder-only architectures based on the task, data and serving constraints. Evaluate input-length behavior, output quality and decoding cost. The cited papers establish particular model designs and benchmarks, not universal superiority of one architecture.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Sequence-to-sequence (seq2seq) models encode an input sequence and generate an output sequence, which may have a different length. Attention provides access to source context during decoding.
Egy kódoló beolvassa és tömöríti a bemenetet, egy dekódoló pedig generálja a kimeneti sorozatot.
Figyelem, hagyja, hogy a dekóder hozzáférjen az összes kódolóállapothoz, ahelyett, hogy egyetlen tömörített vektorra hagyatkozna, javítva ezzel a hosszú mondatok teljesítményét.
Sutskever et al. halmozott LSTM visszatérő hálózatokat használt a kódolóhoz és a dekódolóhoz.
Az Attention súlyokat rendel a kódoló állapotaihoz, így minden kimeneti lépés a legrelevánsabb bemeneti pozíciókra összpontosít.
A dekóder autoregresszív módon generál, és meg tud állni egy sorozatvégi tokennél, lehetővé téve a változó kimeneti hosszt.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Tanári kényszerítés a sorozatmodellekben
Műszaki