seq2seq-attention 预测

seq2seq-attention是指在seq2seq模型中引入了注意力机制（Attention）。在传统的seq2seq模型中，编码器将输入序列转化为一个固定长度的向量，然后解码器将这个向量解码成输出序列。而在seq2seq-attention模型中，解码器在每个时间步都会根据输入序列的不同部分给予不同的注意力权重，从而更加关注与当前时间步相关的输入信息。这样可以提高模型对输入序列的理解能力，进而提升预测的准确性。引入注意力机制后，seq2seq-attention模型在翻译、文本摘要和问答等任务上有着更好的表现。\[1\]\[2\]
#### 引用[.reference_title]
- *1* [NLP自然语言处理之RNN--LSTM--GRU--seq2seq--attention--self attetion](https://blog.csdn.net/weixin_41097516/article/details/103174768)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* *3* [自注意力机制（Self-Attention）：从Seq2Seq模型到一般RNN模型](https://blog.csdn.net/qq_24178985/article/details/118683144)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]