下载掌阅APP，畅读海量书库
立即打开
Seq2Seq（Sequence To Sequence，序列到序列）是一种基于深度学习的模型，用于处理不同长度的序列数据，例如机器翻译、自动摘要、语音识别等。通常来说，如果从模型的输入/输出形式上划分，序列模型可分为以下4种，如图2-1所示。
1）一到多：输入的是一个向量，输出的是多个标签。比如从图片到文字的转换，即看图说话。
2）多到一：输入的是多个向量，输出的是一个标签。比如对商品的评价进行正向、负向、中性的情感三分类预测。
3）等长的多到多：输入和输出的字符长度一样，比如自然语言处理中常见的命名实体识别任务。
4）不等长的多到多：输入和输出的字符数量不一致，比如中英文翻译任务，中文一般比英文句子要短一些。
图2-1 Seq2Seq模型的4种不同的类型
Seq2Seq模型的核心是编码器和解码器。编码器将输入序列压缩为一个固定长度的向量，解码器则利用该向量生成输出序列。该模型利用神经网络自动从数据中学习输入和输出之间的映射关系，从而完成翻译、摘要、识别等任务。
GNMT作为Seq2Seq模型的一种应用，有效地提高了机器翻译的质量和速度，表明Seq2Seq模型架构在机器翻译领域的应用具有广泛的前景。