- 综合排序
- 最热优先
- 最新优先
- 来自专栏杨熹的专栏
Copying Mechanism in Sequence-to-Sequence
Paper Today: 'Incorporating Copying Mechanism in Sequence-to-Sequence Learning' This paper develops
1.4K50发布于 2018-04-02 - 来自专栏yhlin's blog
【论文笔记】A Sequence-to-Sequence Approach to Dialogue State Tracking
A Sequence-to-Sequence Approach to Dialogue State Tracking 概要 本文提出了一种新的对话状态跟踪方法，称为 Seq2SeqDU，它将 DST
2.5K10编辑于 2023-02-13 - 来自专栏AutoML(自动机器学习)
NLP系列笔记-机器翻译之Sequence-to-Sequence模型
假设我们需要把英语翻译成德语，那么我们首先要做的是对不同语种做tokenization（分词）。常用的分词做法是以“词”为单位，这里为方便介绍，就以字符为单位：
88020发布于 2021-04-22 - 来自专栏量化投资与机器学习
史上最全！深度学习预测股市模型汇总（附代码）
Network 11、Vanilla Bidirectional Neural Network 12、2-Path Vanilla Recurrent Neural Network 13、LSTM Sequence-to-Sequence Recurrent Neural Network 14、LSTM with Attention Recurrent Neural Network 15、LSTM Sequence-to-Sequence with Attention Recurrent Neural Network 16、LSTM Sequence-to-Sequence Bidirectional Recurrent Neural Network 17、LSTM Sequence-to-Sequence with Attention Bidirectional Recurrent Neural Network 18、LSTM with
8.3K277发布于 2020-01-16 - 来自专栏机器之心
业界 | 谷歌发布全新端到端语音识别系统：词错率降至5.6%
最近，谷歌发布了其最新研究，「使用序列到序列模型的当前最佳语音识别系统」（State-of-the-art Speech Recognition With Sequence-to-Sequence Models 论文：State-of-the-art Speech Recognition With Sequence-to-Sequence Models ? Jaitly,「A Comparison of Sequence-to-sequence Models for Speech Recognition,」in Proc. Bacchiani,「State-of-the-art Speech Recognition With Sequence-to-Sequence Models,」submitted to ICASSP 「An Analysis of Incorporating an External Language Model into a Sequence-to-Sequence Model,」submitted
1.2K40发布于 2018-05-10 - 来自专栏AI科技评论
学界 | 谷歌语音识别端到端系统单词错误率降至5.6%，较传统模型提升16%
Sainath 和来自谷歌大脑团队的科学家 Yonghui Wu 共同撰写的，文中简单介绍了最新论文《State-of-the-art Speech Recognition With Sequence-to-Sequence 今天我们非常高兴能够与大家分享《State-of-the-art Speech Recognition With Sequence-to-Sequence Models》[4]，它介绍了一种超越传统生产系统 Jaitly, “A Comparison of Sequence-to-sequence Models for Speech Recognition ,” in Proc. Kannan, “Minimum Word Error Rate Training for Attention-based Sequence-to-Sequence Models ,” submitted Rao, “Multi-Dialect Speech Recognition With a Single Sequence-to-Sequence Model” submitted to ICASSP
1K60发布于 2018-03-14 - 来自专栏机器之心
学界 | IBM、哈佛联合提出Seq2Seq-Vis：机器翻译模型的可视化调试工具
基于注意力的 sequence-to-sequence models (seq2seq) [3, 49]，通常也称为编码器-解码器（encoder-decoder）模型，就是这一趋势的范例。 论文：SEQ2SEQ-VIS : A Visual Debugging Tool for Sequence-to-Sequence Models ? Sequence-to-Sequence 模型的运行包含五个黑箱阶段，包括将源序列编码到一个向量空间中，再将其解码为新的目标序列。 如今这是标准过程，但和许多深度学习方法一样，理解或调试 Sequence-to-Sequence 模型是很困难的。 在本文中，研究者实现了一个可视化分析工具，使用户可以通过训练过程中的每个阶段，与训练好的 Sequence-to-Sequence 模型进行交互。其目标包含识别已被学到的模式，并发现模型中的错误。
77530发布于 2018-06-08 - 来自专栏AI研习社
Github项目推荐 | 股市预测的机器学习/深度学习模型/资源集锦
Vanilla Bidirectional Neural Network - 简单双向神经网络 2-Path Vanilla Recurrent Neural Network - 双路简单循环神经网络 LSTM Sequence-to-Sequence Neural Network - LSTM序列到序列递归神经网络 LSTM with Attention Recurrent Neural Network - 具有注意递归神经网络的LSTM LSTM Sequence-to-Sequence with Attention Recurrent Neural Network - 具有注意递归神经网络的LSTM序列到序列 LSTM Sequence-to-Sequence Bidirectional Recurrent Neural Network - LSTM序列到序列双向递归神经网络 LSTM Sequence-to-Sequence with Attention Bidirectional
8.4K43发布于 2019-05-08 - 来自专栏企鹅号快讯
谷歌发布迄今最准确商用端到端语音识别系统，词错率将至5.6％，性能提升16％
谷歌最近公开了他们的最新研究：State-of-the-art Speech Recognition With Sequence-to-Sequence Models（“使用序列到序列模型的最先进的语音识别模型 Jaitly, “A Comparison of Sequence-to-sequence Models for Speech Recognition,” in Proc. Bacchiani, “State-of-the-art Speech Recognition With Sequence-to-Sequence Models,” submitted to ICASSP Kannan, “Minimum Word Error Rate Training for Attention-based Sequence-to-Sequence Models,” submitted Rao, “Multi-Dialect Speech Recognition With a Single Sequence-to-Sequence Model” submitted to ICASSP
1.2K50发布于 2018-02-28 - 来自专栏新智元
谷歌发布迄今最准确商用端到端语音识别系统，词错率将至5.6%，性能提升16%
谷歌最近公开了他们的最新研究：State-of-the-art Speech Recognition With Sequence-to-Sequence Models（“使用序列到序列模型的最先进的语音识别模型 Jaitly, “A Comparison of Sequence-to-sequence Models for Speech Recognition,” in Proc. Bacchiani, “State-of-the-art Speech Recognition With Sequence-to-Sequence Models,” submitted to ICASSP Kannan, “Minimum Word Error Rate Training for Attention-based Sequence-to-Sequence Models,” submitted Rao, “Multi-Dialect Speech Recognition With a Single Sequence-to-Sequence Model” submitted to ICASSP
92150发布于 2018-03-20 - 来自专栏专知
【论文推荐】最新5篇聊天机器人（Chatbot）相关论文—深度强化学习、社交聊天机器人小冰、对话聊天助手、序列-序列、动态词汇
Mitigating the Impact of Speech Recognition Errors on Chatbot using Sequence-to-Sequence Model（利用序列-序列模型减轻语音识别错误对聊天机器人的影响 ） ---- ---- 作者：Pin-Jung Chen,I-Hung Hsu,Yi-Yao Huang,Hung-Yi Lee 摘要：We apply sequence-to-sequence model The method shows that the sequence-to-sequence model can learn the ASR transcriptions and original text We propose a dynamic vocabulary sequence-to-sequence (DVS2S) model which allows each input to possess
2.2K61发布于 2018-04-13 - 来自专栏ShowMeAI研究中心
斯坦福NLP课程 | 第8讲 - 机器翻译、seq2seq与注意力机制
引言 [机器翻译、序列到序列模型与注意力机制] 概述 [概述] 引入新任务：机器翻译 引入一种新的神经结构：sequence-to-sequence 机器翻译是 sequence-to-sequence 的一个主要用例 引入一种新的神经技术：注意力 sequence-to-sequence 通过 attention 得到提升 1.机器翻译与SMT（统计机器翻译） 1.1 Pre-neural Machine )] 编码器RNN生成源语句的编码 源语句的编码为解码器RNN提供初始隐藏状态 解码器RNN是一种以编码为条件生成目标句的语言模型 注意：此图显示了测试时行为 → 解码器输出作为下一步的输入 2.5 Sequence-to-sequence [Sequence-to-sequence是多功能的！] 但有一个改进是如此不可或缺 5.注意力机制 5.1 Attention [Attention] 5.2 Sequence-to-sequence：瓶颈问题 [Sequence-to-sequence：瓶颈问题
95771编辑于 2022-05-10 - 来自专栏AI研习社
一窥谷歌神经机器翻译模型的真面貌，其底层框架终于开源！
去年，谷歌发布了 Google Neural Machine Translation (GNMT)，即谷歌神经机器翻译，一个 sequence-to-sequence (“seq2seq”) 的模型。 据 AI 研习社了解，除了机器翻译，tf-seq2seq 还能被应用到其他 sequence-to-sequence 任务上；即任何给定输入顺序、需要学习输出顺序的任务。
1.1K90发布于 2018-03-29 - 来自专栏AI科技评论
业界 | 一窥谷歌神经机器翻译模型真面貌，其底层框架开源！
去年，谷歌发布了 Google Neural Machine Translation (GNMT)，即谷歌神经机器翻译，一个 sequence-to-sequence (“seq2seq”) 的模型。 除了机器翻译，tf-seq2seq 还能被应用到其他 sequence-to-sequence 任务上；即任何给定输入顺序、需要学习输出顺序的任务。
94050发布于 2018-03-12 - 来自专栏瓜大三哥
李宏毅深度学习之Deep Learning的基本框架
HighwayNetwork/Grid LSTM) 递归结构（Recursive Structure） 外部存储（External Memory） Batch正则化（Batch Normalization） 1.4 Sequence-to-sequence
41220发布于 2020-04-14 - 来自专栏漫漫深度学习路
tensorflow学习笔记（二十四）：Bucketing
None, per_example_loss=False, name=None): """Create a sequence-to-sequence The seq2seq argument is a function that defines a sequence-to-sequence model, e.g., seq2seq = lambda seq2seq: A sequence-to-sequence model function; it takes 2 input that agree with encoder_inputs
1.4K30发布于 2019-05-26 - 来自专栏新智元
【NIPS 2018】多伦多大学提出可逆RNN：内存大降，性能不减！
研究人员将这一方法扩展到基于注意力的sequence-to-sequence模型，实验证明能它能保持性能，同时在encoder中将激活内存成本降低了5-10倍，在decoder中降低了10-15倍。 图1：在重复任务上展开完全可逆模型的反向计算，得到sequence-to-sequence计算。左：重复任务本身，其中模型重复每个输入标记。 右：展开逆转。 展开反向计算，如图1所示，显示了sequence-to-sequence的计算，其中编码器和解码器权重相关联。编码器接收token并产生最终隐藏状态。解码器使用该最终隐藏状态以反向顺序产生输入序列。
94730发布于 2018-12-05 - 来自专栏AI科技评论
突发｜京东AI开山人、技术委员会主席周伯文离职
在中、美等国有数十项专利，其中包括多篇论文被国际学者他引过千，比如首次提出结构性自注意力表征的论文《A Structured Self-Attentive Sentence Embedding》和首个Sequence-to-sequence 的《Abstractive Text Summarization using Sequence-to-sequence RNNs and Beyond》等工作都被众多国际知名学者引用单篇他引过千，累计近
37110编辑于 2023-04-26 - 来自专栏新智元
谷歌开源 tf-seq2seq，你也能用谷歌翻译的框架训练模型
Distill, 2016 [6] Neural Machine Translation and Sequence-to-sequence Models: A Tutorial, Graham Neubig [7] Sequence-to-Sequence Models, TensorFlow.org 原文链接：https://research.googleblog.com/2017/04/introducing-tf-seq2seq-open-source.html
1.5K70发布于 2018-03-28 - 来自专栏杨熹的专栏
使聊天机器人的对话更有营养
文章中通过建立 topic aware sequence-to-sequence (TA-Seq2Seq) 模型来实现这个过程。 ? TA-Seq2Seq 建立于 sequence-to-sequence 基础上，再加上一个联合注意力机制。
1.3K80发布于 2018-04-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号