怎么做网站在网上能搜到你,电子商务营销推广方案,建立网站可以赚钱吗,自己的网站怎么做模板为了处理这种长度可变的输入和输出#xff0c; 可以设计一个包含两个主要组件的编码器-解码器#xff08;encoder-decoder#xff09;架构#xff1a; 编码器#xff08;encoder#xff09;#xff1a;它接受一个长度可变的序列作为输入#xff0c;并将其转换为具有固定…为了处理这种长度可变的输入和输出 可以设计一个包含两个主要组件的编码器-解码器encoder-decoder架构 编码器encoder它接受一个长度可变的序列作为输入并将其转换为具有固定形状的编码状态。 解码器decoder它将固定形状的编码状态映射到长度可变的序列。 9.6.1 编码器
编码器接口仅指定长度可变的序列作为编码器的输入 X。代码实现需要由继承这个Encoder基类的模型完成。
from torch import nn#save
class Encoder(nn.Module):编码器-解码器架构的基本编码器接口def __init__(self, **kwargs):super(Encoder, self).__init__(**kwargs)def forward(self, X, *args):raise NotImplementedError9.6.2 解码器
在下面的解码器接口中新增的 init_state 函数用于将编码器的输出enc_outputs转换为编码后的状态。
为了逐个地生成长度可变的词元序列解码器在每个时间步都会将输入例如在前一时间步生成的词元和编码后的状态映射成当前时间步的输出词元。
#save
class Decoder(nn.Module):编码器-解码器架构的基本解码器接口def __init__(self, **kwargs):super(Decoder, self).__init__(**kwargs)def init_state(self, enc_outputs, *args):raise NotImplementedErrordef forward(self, X, state):raise NotImplementedError9.6.3 合并编码器和解码器
#save
class EncoderDecoder(nn.Module):编码器-解码器架构的基类def __init__(self, encoder, decoder, **kwargs):super(EncoderDecoder, self).__init__(**kwargs)self.encoder encoderself.decoder decoderdef forward(self, enc_X, dec_X, *args):enc_outputs self.encoder(enc_X, *args)dec_state self.decoder.init_state(enc_outputs, *args)return self.decoder(dec_X, dec_state)练习
1假设我们使用神经网络来实现“编码器解码器”架构那么编码器和解码器必须是同一类型的神经网络吗
不需要吧编码器解码器是抽象于神经网络的。 2除了机器翻译还有其它可以适用于”编码器解码器“架构的应用吗
时序模型很多都需要的吧。
