知识卡片
seq2seq的压缩瓶颈
基本RNN式seq2seq依次编码输入,把最终隐藏状态交给解码器,再逐步生成输出。若只用这份最终状态承载整个输入,长内容细节容易成为瓶颈;顺序递推也限制输入处理的并行。这解释了增加注意力和改变架构的动机。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 理解基础模型
原书出处 · 1 处
- · 查看原书依据
从整体上看,seq2seq包含一个处理输入的编码器和一个生成输出的解码器。输入和输出都是由token组成的序列,因此得名seq2seq。seq2seq使用循环神经网络(recurrent neural network,RNN)作为其编码器和解码器。在
参考来源
- 位置:《AI工程:大模型应用开发实战》第2章《理解基础模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/AI工程:大模型应用开发实战/_epub-src/EPUB/xhtml/Section010.xhtml)
- 结论依据:原文定义、条件、机制或比较支持上述说明,案例数据限于原书语境。
- 原始内容:从整体上看,seq2seq包含一个处理输入的编码器和一个生成输出的解码器。输入和输出都是由token组成的序列,因此得名seq2seq。seq2seq使用循环神经网络(recurrent neural network,RNN)作为其编码器和解码器。在